在计算材料科学中，准确预测晶体属性一直是一个关键挑战。尽管图神经网络（GNNs）如CGCNN、MEGNet、ALIGNN和SchNet已展示出强大的性能，但它们主要在原子级别上表示晶体，并通过消息传递隐式学习局部化学环境。然而，许多材料属性是由配位多面体决定的，这些多面体是由原子及其邻近原子组成的基本结构单元。为了解决这一局限性，我们提出了配位多面体图网络（CPGN），这是一种多尺度GNN，能够联合学习原子、键和配位多面体的表示。
CPGN构建了三个耦合图：一个编码元素和键信息的原子图，一个捕捉角度相互作用的线图，以及一个通过角、边和面共享关系描述Voronoi派生局部环境的配位多面体图。每个多面体都包含物理意义明确的几何描述符，而交错的消息传递机制与双向交叉注意力相结合，使得不同结构层次间的信息能够有效交流。在对Materials Project、JARVIS-DFT和QM9基准数据集的广泛评估中，CPGN的性能超越了现有的最先进GNN模型。在Materials Project上，它实现了0.060 eV/atom的形成能平均绝对误差（MAE）和0.292 eV的带隙MAE，同时在JARVIS-DFT上提供了竞争力的多属性预测，并在QM9上优越地预测了HOMO。这些结果表明，显式建模配位多面体可以改善晶体表示学习，从而实现材料属性的准确和物理可解释预测。
博主点评： CPGN的提出为晶体材料的预测提供了一种新颖而有效的方法，通过多尺度的图结构捕捉复杂的原子与配位关系，显著提升了预测精度，这在材料科学的应用中具有重要的实际意义。未来的研究可以进一步优化模型架构，提高其在更大规模数据集上的表现。