摘要
图神经网络（GNN）作为一种强大的工具，能够快速准确地预测各种晶体属性。然而，这些模型通常将特定领域的知识编码到其图编码模块中，导致参数规模增大，并使性能严重依赖于领域专业知识。此外，显式地将所有可能影响特定晶体属性的化学和结构特征纳入GNN编码器是一项具有挑战性的任务。
在本研究中，我们提出了一种柔性提示学习框架，旨在捕捉对属性预测至关重要的潜在特征，这些特征并未显式提供给GNN。我们引入了一种新颖的多级图提示学习框架，包含节点级和图级的柔性提示。在节点级，我们捕捉不同原子类型的局部化学语义；而在图级，我们编码晶体图的全局结构对称性。我们提出的提示学习框架轻量且能够无缝集成到任何现有的GNN编码器中。
在流行的基准数据集上的广泛实验表明，结合提示学习显著提升了最先进的GNN模型在晶体属性预测任务中的性能（提高幅度为3%-15%）。此外，学习到的柔性提示还能够实现跨属性知识转移，从而增强了在有限训练数据条件下的预测性能。
代码可在 GitHub 获取。
博主点评： 本研究提出的柔性提示学习框架为图神经网络的应用提供了新的视角，通过轻量化设计有效提升了模型性能和知识迁移能力，展现了在材料科学领域的广泛应用潜力。