中大新聞網訊（通訊員李華山）中山大學物理學院李華山教授與王彪教授研究團隊創建的機器學習模型成功實現了材料對稱性的智能識別和多屬性準確預測。該工作以“Material symmetry recognition and property prediction accomplished by crystal capsule representation”為題，于近期發表在國際高水平期刊Nature Communications上。
基于統計機制的機器學習(ML)方法最近被廣泛應用于物理、材料等研究中，以實現準確的性能預測和逆向設計。由于晶體對稱性是凝聚態系統的基本屬性，針對對稱性的感知與識別對于準確預測材料電學性質和微觀響應至關重要。然而由于卷積神經網絡在感知對稱性方面的固有缺陷，現有的ML算法仍然很難感知空間群中全部對稱性變換。即使晶體對稱性被隱式地包含在由圖模型生成的材料表征中，空間特征仍會由于卷積操作而缺失對于旋轉、反射、螺旋軸與滑移面等復雜變換的檢測。因此，準確識別晶體對稱性并強化屬性預測是突破當前ML算法缺陷并增強可解釋性與泛化性的關鍵。
針對以上問題，研究團隊開發了一種名為基于對稱性增強的等變性網絡(SEN)的新型ML模型來克服上述挑戰，通過構建基于膠囊網絡的變分自編碼器識別任意對稱性變換空間模式，并構建材料的化學環境以學習原子相互作用和晶體系統的空間特征（圖1(a)-(b)）。團隊通過定量分析和可解釋性研究表明，基于團簇-性質映射的SEN模型可以準確地感知晶體對稱性，把對稱性信息轉換為團簇間的等價性和相似性信息，并通過減少有效特征空間強化預測性能。SEN模型解決了常規ML方法在高對稱空間群中表現不佳的問題，在預測帶隙和形成能時，平均絕對誤差(MAE)分別為0.18 eV和0.018 eV /atom。
圖1 晶體膠囊標準示意圖。（a）膠囊機制編碼先驗空間變換特征；（b）材料的晶體膠囊集合結構。
該工作由中山大學獨立完成（唯一署名單位），梁超博士后為第一作者，王彪教授和李華山教授為共同通訊作者，伊麗米然木肉扎洪博士等對該工作有重要貢獻。上述工作得到了國家自然科學基金重點和面上項目、廣東省珠江人才計劃等項目的支持，同時也受到物理學院、廣東省磁電物性分析與器件重點實驗室、中子科學與技術中心的大力支持。
