
Архитектура нейронной сети, работающая с данными, представленными в виде графов, где атомы рассматриваются как узлы, а связи — как рёбра.Графовая нейронная сеть (GNN) — это архитектура глубокого обучения, предназначенная для обработки данных, структурированных в виде графов — наборов узлов, соединённых рёбрами. В материаловедении атомы представляются как узлы, а химические связи — как рёбра, что позволяет сети обучаться непосредственно на основе связности системы. Это делает GNN особенно мощными для предсказания таких свойств, как энергия образования, ширина запрещённой зоны или механическая прочность, исходя только из атомного расположения.
Основополагающие идеи возникли в начале 2000-х годов в работах Гори и др. (2005) и Скарселли и др. (2009), но современный всплеск применения GNN в материаловедении начался около 2017 года с появлением нейронных сетей с передачей сообщений и их применением для предсказания свойств молекул.
GNN работают через механизм передачи сообщений: каждый узел агрегирует информацию от своих соседей, обновляет свой вектор признаков и повторяет этот процесс на нескольких слоях. После нескольких итераций представление каждого узла кодирует информацию о его локальном и, в конечном счёте, глобальном окружении. Затем функция чтения объединяет представления узлов в единое предсказание на уровне графа. Ключевое преимущество заключается в том, что сеть инвариантна к способу маркировки или упорядочивания графа, что делает её естественно подходящей для симметрий физических систем.
GNN используются для скрининга миллионов кандидатных материалов для батарей, катализаторов и сверхпроводников, что значительно снижает потребность в дорогостоящих квантово-механических расчётах.
С помощью GNN были открыты новые термоэлектрические материалы, преобразующие отходящее тепло в электричество, с предсказанными эффективностями, которые позже были подтверждены экспериментально.


























