人工智能技术在材料设计和性能优化方面展现出了强大的潜力，如何准确描述材料的微观结构已成为材料科学领域的关键挑战之一。常见的图卷积神经网络模型在处理高阶多体相互作用时，往往缺乏明确的编码方式，且消息传递机制也尚在探索中。

近日，中国科学院计算机网络信息中心研发了一种新型的晶体图卷积神经网络模型—TiraCGCNN，该模型采用了高阶多体相互作用编码技术，能够更加准确地描述晶体结构，并有效预测晶体化合物的相关性质。TiraCGCNN模型不仅结合了原子的属性、键长和键角信息，还创新性地提供了一种更新原子及键长的机制，使其能够深入捕捉隐藏的结构特征。在晶体化合物的形成能预测方面，TiraCGCNN展现出了较好的预测能力。该模型在随机数据集中的测试结果显示，形成能的平均误差仅为0.048eV/atom，且R²值高达0.994，显示出其优异的泛化能力与可靠性。

三体交互作用特征显式编码示例

TiraCGCNN模型框架

该研究成果已发表在国际知名期刊《Scientific Reports》（JCR Q1，中国科学院Q2），论文第一作者为中心人工智能部硕士研究生袁扬，通讯作者为人工智能部副研究员王宗国。该工作得到了中国科学院前沿科学重点研究计划、中国科学院青年创新促进会和中国科学院网信专项的支持。

相关成果：Yang Yuan, Ziyi Chen, Tianyu Feng, et al. Tripartite interaction representation algorithm for crystal graph neural networks. Scientific Reports 14, 24881 (2024).

论文链接：https://www.nature.com/articles/s41598-024-76309-w

责任编辑：郎杨琴