GNN 做晶体性质预测：从 CIF 到物理量的端到端图学习

620 字

3 分钟

GNN 做晶体性质预测：从 CIF 到物理量的端到端图学习

2026-07-12

论文阅读-AI-for-Science

AI-for-Science

/

Materials-Science

/

GNN

/

Tutorial

GNN 做晶体性质预测的标准流程是一个四步流水线：构造图 → 消息传递 → 读出 → 预测。

Step 1: CIF → 图#

晶体是三维周期结构，不能直接喂给 GNN。先把 CIF 转成图：

节点（ $V$ ）= 原子，特征 $h_v^{(0)} =$ 原子序数 embedding（one-hot 或预训练）
边（ $E$ ）= 截断半径 $r_{\text{cut}}$ （~5Å）内的原子对，特征 $e_{uv} =$ 距离 / 键角 / 高斯径向基展开
周期性边界：需判断跨晶胞的邻接关系

\mathcal{G} = (V, E), \quad h_v^{(0)} \in \mathbb{R}^d, \quad e_{uv} \in \mathbb{R}^{d_e}

flowchart LR CIF[CIF 结构] --> Graph["图 G=(V,E)<br>节点=原子, 边=近邻"] Graph --> MP["消息传递<br>T 层"] MP --> Readout["读出<br>全局池化"] Readout --> MLP["预测头<br>MLP → 标量"]

Step 2: 消息传递#

每个节点反复聚合邻居信息，更新自身表示。T 层后每个节点包含 T 跳邻域信息。

通用消息传递范式：

m_v^{(t)} = \sum_{u \in N(v)} M_t(h_v^{(t)}, h_u^{(t)}, e_{uv}), \quad h_v^{(t+1)} = U_t(h_v^{(t)}, m_v^{(t)})

以 CGCNN 为例：

h_v^{(t+1)} = h_v^{(t)} + \sum_{u \in N(v)} \sigma(z_{uv}^{(t)} W_f^{(t)} + b_f^{(t)}) \odot g(z_{uv}^{(t)} W_s^{(t)} + b_s^{(t)})

其中 $z_{uv}^{(t)} = h_v^{(t)} \oplus h_u^{(t)} \oplus e_{uv}$ ， $\oplus$ 为拼接， $\sigma$ 为 sigmoid 门控， $\odot$ 为逐元素乘。

M3GNet 的改进：额外编码三体角信息 $e_{uvw}$ ，在消息中引入键角。

Step 3: 读出（全局池化）#

T 层消息传递后，所有节点特征聚合成一个图级向量：

h_{\mathcal{G}} = \frac{1}{|V|} \sum_{v \in V} h_v^{(T)} \quad (\text{mean pooling})

也可用 sum pooling 或注意力池化（set2set / attention）。

Step 4: 预测头#

图级向量经过 1-2 层 MLP 映射到标量：

\hat{y} = W_2 \cdot \sigma(W_1 h_{\mathcal{G}} + b_1) + b_2

回归用 MSE 损失：

\mathcal{L} = \frac{1}{N} \sum_{n=1}^{N} (\hat{y}_n - y_n)^2

和 MatMind 回归头的对比#

维度	GNN	MatMind 回归头
特征编码	消息传递聚合邻域信息	LLM self-attention 全局上下文
输入	显式图拓扑 + 距离/角	序列化 CIF token
参数规模	~0.1M–2M（轻量）	8B backbone（大，但通用）
领域先验	依赖图构造和特征工程	预训练时通过随机交错注入
泛化性	同分布强，跨分布弱	三阶段训练后跨分布更鲁棒

GNN 的优势在于轻量高效，在数据充足且分布稳定时表现优秀；MatMind 的优势在于统一框架（预测 + 生成 + 推理）和对稀疏/跨分布任务的更强泛化。

经典模型一览#

模型	消息机制	三体交互	参数	发表
CGCNN	门控消息 + 拼接	无	~0.5M	2018
M3GNet	三体消息 + 更新	有	~1.5M	2023
SchNet	连续滤波卷积	无	~0.5M	2017
DimeNet	距离-角消息	有（二面角）	~3M	2020

GNN 做晶体性质预测：从 CIF 到物理量的端到端图学习

https://biscuit0613.github.io/posts/paperreading/gnn-property-prediction/

作者

Biscuit

发布于

2026-07-12

许可协议

CC BY-NC-SA 4.0

biscuitの博客

Step 1: CIF → 图#

Step 2: 消息传递#

Step 3: 读出（全局池化）#

Step 4: 预测头#

和 MatMind 回归头的对比#

经典模型一览#