[논문 리뷰] Material-Property-Field-based Deep Neural Network in Hopfield Framework

Yanxiao Hu, Ye Sheng외 7명|arXiv (Cornell University)|2026. 03. 10.

Machine Learning in Materials Science인용 수 0

한 줄 요약

본 논문은 Material Property Fields (MPF)를 Hopfield 네트워크와 통합하여 물리학에서 영감을 받은 상호작용으로 물질 시스템을 모델링하고 선형 전개와 비선형 DNN 사이의 연결 고리를 밝히는 분석적으로 구조화된 심층 신경망 (mPFDNN)을 형성한다.

ABSTRACT

The current Deep Neural Networks (DNNs) lack the necessary physical priors and a clear formulation specifically designed for material systems. making them non-analytical and non-interpretable 'black boxes'. In this work, we integrate Material Property Fields (MPF) with the Hopfield network architecture and propose an analytical DNN framework named mPFDNN. MPF provides a unified framework that represents physical properties of materials as an analytical field built upon pairwise interactions, rigorously respecting fundamental symmetries, while also enabling a physically legitimate decomposition of property distributions at the atomic level. Although the Hopfield model was initially developed for Ising-like systems, we prove that its dynamical evolution strategy for DNN design is equally well suited to MPF. By mathematically reformatting interatomic nonlinear interactions as 'hidden neurons', the MPF can be naturally evolved into a deep yet analytically tractable DNN architecture that approximates a fully connected interaction landscape. This framework also unifies nonlinear DNNs and linear approaches within a single cohesive model. Extensive validation across diverse systems (inorganic crystals, organic molecules, and aqueous solutions) and multiple properties (diffusion coefficients, adsorption energy, etc.) confirm that mPFDNN not only achieves accurate predictions but also provides a principled and universal framework for structure-property mapping for physical, chemical and materials science.

연구 동기 및 목표

• Hopfield 네트워크 아키텍처 내에 Material Property Fields를 내재화하는 DNN 프레임워크(mPFDNN)를 개발한다.
• MPF 표현이 기본 대칭을 준수하고 특성 분포의 원자 수준 분해를 가능하게 하도록 보장한다.
• Hopfield 다이내믹스를 MPF로 확장하여 점점 더 연결된 원자 간 상호작용을 깊고 해석 가능한 방식으로 포착한다.

제안 방법

• 물질 특성을 쌍간 상호작용에 기반한 해석적 MPF로 표현한다.
• 비선형 원자 간 상호작용을 Hopfield 유사 다이내믹스 내의 은닉 뉴런에 매핑한다.
• MPF 프레임워크를 점진적으로 더 넓은 상호작용 영역을 포착하는 깊은 아키텍처로 재정의한다.
• 상호작용 기반의 형식 아래 선형 전개와 비선형 DNN 관점을 통합한다.

실험 결과

연구 질문

• RQ1 MPF를 Hopfield 프레임워크에 통합하여 물질 모델링을 위한 분석적으로 해석 가능한 DNN을 만들 수 있는가?
• RQ2 mPFDNN은 물질 전반에 걸쳐 원자 간 상호작용과 대칭 보존 표현을 어떻게 다루는가?
• RQ3 MPF-Hopfield 구성에서 선형 전개와 비선형 DNN 간의 관계는 무엇인가?
• RQ4 다양한 특성에 대해 무기 결정, 유기 분자, 수용액에서 mPFDNN의 성능은 어떠한가?

주요 결과

• mPFDNN은 다양한 소재 시스템에서 경쟁력 있는 예측 정확도를 달성한다.
• 이 프레임워크는 화학, 물리학 및 재료과학에서 구조-특성 매핑에 대한 물리적으로 동기가 부여된 관점을 제공한다.