Семинар LAMBDA в рамках проекта "Зеркальная лаборатория": ИИ в физике и химии материалов.

Доклад: Графовые нейросети для предсказания свойств катализаторов

Время: 11.00-12.15

Аннотация: Применение глубокого обучения для поиска катализаторов является важной задачей для решения вызванных глобальным потеплением проблем хранения энергии и преобразования парниковых газов в более ценные продукты. В нашей работе мы представляем несколько графовых нейронных сетей (GNN), включая сверхточные архитектуры и архитектуры передачи сообщений с физически информированными атрибутами узлов и ребер для атомистических систем. Мы демонстрируем улучшение прогнозов энергии адсорбции в наборе данных OC20 с использованием предложенной нами архитектуры в метриках средней абсолютной ошибки прогнозируемой энергии и энергии в пределах пороговых показателей. Предлагаемые архитектуры устойчивы к переобучению и могут быть использованы для прогнозирования экспериментальных и квантовохимических свойств широкого спектра материалов и молекул. Мы предлагаем использовать две архитектуры GNN (EdgeUpdateNet и OFMNet) вместе с расширенным методом описания атрибутов узлов и ребер. Мы представляем атрибуты ребер как элементы матриц межатомного взаимодействия (матрица Кулона, матрица суммы Эвальда, синусоидальная матрица). Для репрезентации атрибутов узлов мы используем элементы матрицы орбитального поля (OFM), однократного представления электронного состояния атомов с окружающими атомными орбиталями. Кроме того, мы предлагаем и реализуем представление каталитически активных атомов в виде подграфа. Предлагаемые методы и архитектуры демонстрируют повышение точности прогнозирования энергии адсорбции. Особенно значительные улучшения наблюдаются в примерах, не относящихся к обучающей выборке, как для адсорбатов, так и для катализаторов. Возможности обобщения и экстраполяции на примерах предлагаемых архитектур вне доменной выборки также делают предлагаемые GNNs пригодными для использования при скрининге катализаторов в обширном химическом пространстве.

Доклад: NBO графы для QSPR

Время: 12.30-13.00

Аннотация: Машинное обучение может внести значительный вклад в ускорение открытия комплексов переходных металлов (TMC). Эти соединения будут играть ключевую роль в разработке новых технологий, в которых существует острая потребность, включая производство зеленого водорода из возобновляемых источников. Несмотря на недавние разработки в области машинного обучения для открытия лекарств и органической химии в целом, применение этих методов к TMC остается проблематичным из-за их более высокой сложности и ограниченной доступности больших наборов данных. В этой работе мы сообщаем о представлении для глубокого графового обучения на TMC — естественном квантовом графе (NatQG), который использует данные об электронной структуре, доступные из анализа орбиталей естественных связей (NBO). Эти данные использовались для определения как топологии, так и информации, выраженной графиками NatQG. На уровне топологии были разработаны два разных варианта NatQG: u-NatQG с ненаправленными ребрами и d-NatQG с ребрами, направленными вдоль донорно-акцепторных орбитальных взаимодействий. Результаты показали, что информация об электронной структуре, оказывает более сильное влияние на ее точность, чем геометрическая информация. С целью сравнительного анализа GNN мы также разработали набор графических данных квантовой механики переходных металлов (tmQMg), который предоставляет геометрию, свойства и графики NatQG для 60 000 TMC.

Доклад: Активное обучение для скрининга химического пространства

Время: 13.15-14.00