unilim.fr

이 이메일 도메인이 관측된 논문 1건

arXiv:2607.29510v1cond-mat.mtrl-sci

고엔트로피 페로브스카이트 산화물의 형성 에너지 및 HOMO-LUMO 갭 예측을 위한 그래프 신경망 기반 규칙-불규칙 전이학습

Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides

고엔트로피 페로브스카이트 산화물(HEPO)은 유망한 기능적 특성을 지닌 화학적으로 복잡한 소재군이지만, 방대한 조성 공간과 화학적/구조적 무질서로 인해 정확한 특성 예측에 큰 어려움이 따릅니다. 그래프 신경망(GNN)은 재료 공간의 빠른 탐험(exploration)을 가능하게 하지만, 대표성을 지닌 학습(training) 데이터의 부족으로 한계를 겪는 경우가 많습니다. 본 연구에서는 화학적으로 규칙적인 페로브스카이트에서 학습된 지식을 전이하여 HEPO의 형성 에너지 및 HOMO-LUMO 갭 예측을 수행하는 GNN 기반 규칙-불규칙 전이학습(transfer learning)을 조사합니다. 쌍별 2체 상호작용 및 각도 기반 3체 상호작용을 아우르는 구조 표현이 전이 성능에 미치는 역할을 이해하기 위해 CGCNN, GATGNN, ALIGNN, M3GNet을 포함한 4가지 대표 GNN 모델을 평가합니다. 연구 결과, 특성에 따른 뚜렷한 전이 양상이 나타났습니다. 형성 에너지 예측은 무질서한 HEPO로 효과적으로 전이되는 반면, HOMO-LUMO 갭 예측은 국소적 화학 환경에 대한 민감성으로 인해 제한적인 전이성만을 보였습니다. 소규모의 HEPO 전용 학습 데이터셋(dataset)을 통합하면 HOMO-LUMO 갭 예측 성능이 대폭 향상됩니다. UMAP을 활용한 표현 수준의 분석은 복잡한 구조-특성 관계를 포착하고 전이성을 개선하는 데 있어 ALIGNN과 같이 3체 기하학적 정보를 인코딩하는 것의 중요성을 한층 더 강조합니다.