來源：微算云平臺

成果簡介

準確和全面地表示晶體結構對于推進大規模晶體材料模擬中的機器學習至關重要。然而，有效地捕捉和利用晶體結構復雜的幾何和拓撲特征仍然是大多數現有晶體性質預測方法面臨的重大挑戰。

中國科學技術大學吳宇恩教授、陳控副研究員，合肥工業大學毛瑜副研究員等人提出了MGT，一種多視圖圖轉換器，它聯合建模SE(3)不變標量表示和SO(3)等變方向表示，從而能夠捕獲晶體結構中的旋轉平移不變性和旋轉等變方向信息。受混合專家模型啟發的路由模塊是核心融合機制，它針對每項下游任務自適應地為各類互補型嵌入表征分配權重。通過多任務自監督預訓練，與之前最先進的晶體性能基準模型相比，MGT的平均絕對誤差降低了14%。

綜合消融和可解釋性分析證實，自監督預訓練策略和混合專家模型激勵路由都有助于模型的整體性能。在遷移學習場景中，包括晶體催化劑吸附能和混合鈣鈦礦帶隙預測，MGT在現有基線的基礎上實現了高達58%的性能改進，展示了強大的領域不可知可擴展性?？偟膩碚f，所有的結果都表明，MGT是一個有效的、可推廣的晶體材料性質預測框架，具有加速新材料發現的巨大潛力。

相關工作以《Improving crystal material property prediction with multi-view geometric graph transformer》為題在《Nature Communications》上發表論文。

從Peer review文件上可以看到，該研究在投稿階段時，審稿人曾對論文的核心創新點提出質疑。

例如，審稿人提出：該論文缺乏顯著的創新性。僅依靠歐幾里得距離來衡量晶體結構復雜的幾何和拓撲特征顯然不足。將其擴展到測地距離，并在三維空間內真正進行測量，是至關重要的方面。

另一位審稿人也提出：文章報道的這種結構并不像所宣稱的那樣新穎，此前已有類似結構的報道。此外，混合專家（MoE）在圖神經網絡（GNNs）中的應用已在多項研究中被報道，而本文設計的MoE模塊并不完全符合MoE的標準（例如缺少獨立的門控網絡）。

面對上述質疑，作者前后也是花了26頁PDF回應了審稿人提出的問題。

圖文介紹

圖1 MGT框架工作流程示意圖

圖1從數據、特征、預訓練、微調全鏈路完整梳理MGT設計邏輯，清晰闡明“雙視圖特征+雙策略預訓練+自適應路由融合”三位一體的整體設計思路。預訓練采用OQMD超大晶體數據集完成通用晶體幾何特征萃取，微調采用Materials Project/JARVIS/催化/鈣鈦礦細分數據集做任務專屬優化，預訓練+微調兩段式訓練是提升小樣本下游任務精度的關鍵設計；雙視角幾何特征定義如圖1b所示，其中SE(3)不變特征：旋轉、平移操作后數值不變的標量（鍵長、鍵角），適合刻畫晶體熱力學穩定性類物性（形成能）；SO(3)等變特征：隨空間旋轉同步變換的矢量特征，適配依賴空間取向的力學參數（彈性模量、剪切模量）；兩類特征物理屬性天然互補，構成MGT多視圖建模的理論根基。

預訓練方案如圖1c所示：對SE(3)邊/角特征、SO(3)邊特征分別添加高斯噪聲，降噪任務約束模型還原擾動噪聲；對比學習拉近兩種嵌入特征互信息，實現跨視圖特征對齊。微調融合如圖1d所示：摒棄固定拼接，依靠MoE路由動態加權雙分支特征，也是MGT區別于過往雙特征模型最核心的創新點。

圖2 MGT架構，包括多個不同的模塊

圖2拆解MGT四大算子細節，從底層運算說明SE(3)不變、SO(3)等變特征如何提取與融合，為后文消融實驗、可解釋性結果提供結構依據。如圖2a所示，依托晶格基矢、鍵角、邊特征三要素構建注意力，針對晶體周期性晶格引入周期鏡像原子角度信息，專門優化SE(3)分支邊特征提取。聚合鄰域節點與更新后的邊特征，完成SE(3)分支最終節點表征輸出（圖2b）?；谇蛑C函數+張量積TP搭建，保證特征嚴格滿足旋轉等變，是SO(3)分支的核心結構（圖2c）。最后，雙專家支路分別對應SE(3)、SO(3)編碼器輸出，自注意力路由動態生成權重系數加權融合特征，實現任務驅動的動態特征配比，解決固定拼接無法適配多任務物性的痛點（圖2d）。

圖3 MGT在Materials Project和JARVIS數據集上的性能比較

圖3從擬合可視化角度直觀證明MGT在主流晶體物性預測任務上全面超越現有經典模型，量化指標佐證多視圖架構與MoE融合的有效性。所有預測樣本緊密貼合對角線，全部任務的R2>0.95，證明MGT擬合效果優異。對比CGCNN、ALIGNN、Matformer、PotNet、ComFormer等SOTA基線，MGT在9項任務中8項取得最優MAE，僅JARVIS總能量預測略低于ReGNet。

圖4 不同訓練策略下MGT的消融實驗結果

定量拆解預訓練、降噪、對比學習、MoE路由四大組件各自貢獻。啟用雙任務預訓練后形成能MAE由0.0174降至0.0165，預訓練可顯著降低預測誤差。而降噪學習提升效果整體優于對比學習，降噪迫使模型抵抗幾何擾動、強化晶體結構感知。二者聯用性能最優，形成優勢互補。替換MoE自適應加權為全連接特征拼接后，各任務MAE小幅上升，證實動態加權相比固定融合可以充分發揮兩類特征互補優勢。此外，即便移除預訓練與MoE模塊，原生雙視圖MGT架構性能仍優于現有基線，雙視角幾何建模本身就是性能提升的核心來源。

圖5 材料項目和JARVIS數據集的形成能預測任務的可視化

從表征空間可視化+權重定量雙維度解釋MoE路由的內在作用機理，從物理可解釋層面證明自適應權重符合晶體物性的內在物理規律。SE(3)、SO(3)單分支特征已能依據形成能實現基礎樣本聚類。經MoE路由加權融合后，不同能量區間晶體樣本聚類邊界大幅清晰、簇區分度顯著提升。不同數據集/不同物性任務中，SE(3)與SO(3)貢獻占比動態變化：形成能MP數據集SO(3)權重更高、JARVIS數據集SE(3)占優；彈性模量依賴SO(3)取向特征、熱力學Ehull 能更依賴SE(3)不變標量特征，權重分配貼合材料物理機理。

圖6 在Alloy-GMAE、FG-GMAE、OCD-GMAE和HOIP數據集上，MGT的性能對比

跳出傳統晶體基準測試，在實際工業催化、光電材料場景驗證其泛化能力，完成從基準指標優異到實際可用的論證閉環。對比AdsMT領域SOTA，三項數據集性能分別提升46.4%、57.8%、15.4%；GMAE是催化篩選關鍵描述符，結果證明MGT從可跨晶體向催化體系遷移。HOIP數據集相對基線提升25.7%，鈣鈦礦是光電核心材料，驗證模型在有機-無機雜化晶體場景通用性?？珙I域大幅提升證明：MGT學習到普適性晶體幾何規律，并非過擬合基準數據集，模型域無關擴展性得到落地驗證。

文獻信息

Improving crystal material property prediction with multi-view geometric graph transformer，Nature Communications，2026.

https://www.nature.com/articles/s41467-026-73627-7

由于公眾號改版，為防錯過更多資源，給我們加個星標吧

說明：微算云平臺，如需轉載，請在開頭注明來源。僅供學習交流分享使用，版權歸原作者所有，文章只代表作者本人觀點，不代表公眾號立場。如有侵權，請聯系我們（Hilib oy）刪除，感謝支持！也歡迎有興趣的朋友分享、投稿、申請轉載、互開長白。

了解更多信息

↓↓↓歡迎點贊和推薦哦