基于机器学习的材料性能预测模型是一种很有前途的新材料发现方法,其中图神经网络(GNNs)由于具有从晶体结构中学习高级特征的能力而表现出最好的性能。然而,现有的GNN模型缺乏可扩展性,超参数调优复杂度高,且由于过平滑而限制了性能。我们提出了一种可扩展的全局图注意力神经网络模型DeeperGATGNN,该模型具有可微群归一化(DGN)和跳跃式连接,用于高性能材料的性能预测。我们的系统基准研究表明,我们的模型在6个数据集中的5个上实现了最先进的预测结果,比现有的5个GNN模型的性能高出10%。我们的模型在图卷积层方面也是可扩展性最强的,它允许我们训练非常深的网络(例如>30层),而不会显著降低性能。我们的实现可以在https://github.com/ usccolumbia/deeperGATGNN上找到。

https://www.cell.com/patterns/pdf/S2666-3899(22)00076-9.pdf

成为VIP会员查看完整内容
11
0

相关内容

图神经网络 (GNN) 是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是,图神经网络保留了一种状态,可以表示来自其邻域的具有任意深度的信息。近年来,图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【WSDM2021】拓扑去噪的鲁棒图神经网络
专知会员服务
24+阅读 · 2020年11月14日
【Cell 2020】神经网络中的持续学习
专知会员服务
44+阅读 · 2020年11月7日
如何建模动态图?看这份《时序图神经网络》26页ppt
专知会员服务
107+阅读 · 2020年7月25日
【IJCAJ 2020】多通道神经网络 Multi-Channel Graph Neural Networks
专知会员服务
21+阅读 · 2020年7月19日
KDD2021 | 基于深度图卷积网络的多样化推荐
机器学习与推荐算法
0+阅读 · 2021年8月24日
图神经网络框架 DGL V0.6发布,更快更好用
图与推荐
0+阅读 · 2021年3月1日
【泡泡图灵智库】GCNv2:高效关联预测实时SLAM(arXiv)
泡泡机器人SLAM
43+阅读 · 2019年4月15日
图卷积神经网络(GCN)文本分类详述
专知
264+阅读 · 2019年4月5日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 6月21日
Arxiv
10+阅读 · 2021年7月26日
Heterogeneous Deep Graph Infomax
Arxiv
10+阅读 · 2019年11月19日
Deep Graph Infomax
Arxiv
11+阅读 · 2018年12月21日
Arxiv
11+阅读 · 2018年1月28日
小贴士
相关资讯
KDD2021 | 基于深度图卷积网络的多样化推荐
机器学习与推荐算法
0+阅读 · 2021年8月24日
图神经网络框架 DGL V0.6发布,更快更好用
图与推荐
0+阅读 · 2021年3月1日
【泡泡图灵智库】GCNv2:高效关联预测实时SLAM(arXiv)
泡泡机器人SLAM
43+阅读 · 2019年4月15日
图卷积神经网络(GCN)文本分类详述
专知
264+阅读 · 2019年4月5日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员