[论文解读] Space-Filling Curves as a Novel Crystal Structure Representation for Machine Learning Models

Dipti Jasrasaria, Edward O. Pyzer‐Knapp+2 more|arXiv (Cornell University)|Aug 19, 2016

Computational Drug Discovery Methods参考文献 3被引用 5

一句话总结

本文提出了一组基于Morton空间填充曲线的SFC-M晶体结构表征方法，旨在使机器学习模型能够预测有机分子晶体的固态性质。通过在保留空间局部性的同时将3D原子坐标编码为1D向量，SFC-M3在排名前DFT单点能量结构时实现了0.88的召回率（15%），显著优于基线晶格能和其他SFC-M变体。

ABSTRACT

A fundamental problem in applying machine learning techniques for chemical problems is to find suitable representations for molecular and crystal structures. While the structure representations based on atom connectivities are prevalent for molecules, two-dimensional descriptors are not suitable for describing molecular crystals. In this work, we introduce the SFC-M family of feature representations, which are based on Morton space-filling curves, as an alternative means of representing crystal structures. Latent Semantic Indexing (LSI) was employed in a novel setting to reduce sparsity of feature representations. The quality of the SFC-M representations were assessed by using them in combination with artificial neural networks to predict Density Functional Theory (DFT) single point, Ewald summed, lattice, and many-body dispersion energies of 839 organic molecular crystal unit cells from the Cambridge Structural Database that consist of the elements C, H, N, and O. Promising initial results suggest that the SFC-M representations merit further exploration to improve its ability to predict solid-state properties of organic crystal structures

研究动机与目标

• 解决有机分子晶体中机器学习缺乏有效3D结构表征的问题。
• 克服2D分子描述符在捕捉固态性质中晶体堆积效应方面的局限性。
• 开发一种数据驱动、可泛化的特征表征方法，以保留晶体结构中的空间局部性。
• 通过相比DFT加速性质预测，实现有机晶体候选物的高通量筛选。
• 探索潜在语义索引（LSI）在稀疏SFC-M特征向量降维中的新颖应用。

提出的方法

• 使用Morton空间填充曲线（SFC-M）表示晶体结构，将3D原子坐标映射为1D特征向量，同时保留空间局部性。
• 生成SFC-M1、SFC-M2和SFC-M3变体，分辨率和原子描述符复杂度逐步提高。
• 应用潜在语义索引（LSI）降低SFC-M特征向量的稀疏性，提升模型泛化能力。
• 在SFC-M特征上训练多层感知机（MLP）神经网络，以预测DFT计算的单点能、Ewald能、晶格能和多体色散能。
• 使用10折交叉验证评估在来自CSD的839个有机分子晶体单胞数据集上的模型性能。
• 实现一种可扩展的LSI变体，仅在非零索引上操作，从而实现对大规模稀疏数据集的高效处理。

实验结果

研究问题

• RQ1 空间填充曲线能否提供一种稳健、无损且可逆的3D晶体结构表征方法，适用于机器学习？
• RQ2 SFC-M表征方法在预测有机分子晶体固态能量方面，与传统晶体描述符相比表现如何？
• RQ3 LSI在降低稀疏SFC-M特征向量的机器学习模型性能方面，改善程度如何？
• RQ4 SFC-M表征方法能否实现对晶体结构的高精度、高通量筛选，以支持材料发现？
• RQ5 SFC-M3变体在基于DFT能量对晶体稳定性进行排序时，是否优于其他SFC-M变体和基线晶格能？

主要发现

• SFC-M3在识别DFT单点能量最优结构时，实现了0.88的召回率（15%），显著优于晶格能基线（0.50）和其他SFC-M变体。
• SFC-M家族使机器学习对固态能量的预测速度比DFT计算快两到三个数量级。
• 潜在语义索引（LSI）有效降低了SFC-M特征向量的稀疏性，提升了模型性能和可扩展性。
• SFC-M表征方法具有良好的泛化能力，且不依赖于单胞大小或类型，前提是训练集中包含多样化示例。
• SFC-M3在晶体稳定性排序方面表现出色，表明其在计算筛选流程中具有强大潜力。
• 本研究建立了一套新颖的框架，将空间填充曲线与LSI应用于材料机器学习，为未来扩展至更大元素和电子密度特征开辟了新路径。