# 結晶構造の四面体メッシュ表現 結晶構造の3次元座標空間に対し、Delaunay四面体分割（Delaunay tetrahedralization）を適用して単位胞周辺の空間を四面体の集合として離散化・表現するデータ構造。 従来の結晶表現では、原子をノード、カットオフ距離内の結合をエッジとするグラフ（CGCNNやALIGNNなど）が主流であったが、空間格子や単位胞の3次元形状・体積・面情報が損失しやすい制約があった。四面体メッシュ表現では、隙間なく四面体で空間を充填し、各四面体を構成する三角形面を基本単位として幾何学的特徴量（重心座標、昇順ソートした辺長、重心から各頂点へのベクトル）および化学的特徴量（構成原子の離散化特徴平均）を抽出することで、単位胞の3次元対称性や面密度に直接対応する幾何情報を機械学習モデル（PointNet型アーキテクチャ）へ入力可能にする。 ## 未編纂の観察 - **結晶系の分類と弾性率予測における幾何精度の向上**: 従来の結晶グラフ表現（CGCNN, ALIGNN）が三斜晶系や単斜晶系の分類精度を落としやすいのに対し、四面体メッシュ表現は結晶系分類で97.5%、空間群分類で90.3%と大幅に上回る。また、面密度と強い相関を持つ体積弾性率や剪断弾性率の予測において、結合角度を考慮する最先端GNNと同等以上の予測精度を達成する。(Source: [[@2023__arXiv__DeepCrysTet - A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials]]) ## 未解決の問い - 四面体メッシュ表現は単位胞の対称性や弾性率に強い一方、生成エネルギーやバンドギャップの予測ではグラフ畳み込みによる近傍集約を行う既存GNNに劣る。メッシュ上の隣接三角形面間で特徴量を集約・伝播する畳み込み機構をどのように設計すべきか。 - Delaunay四面体分割は原子数が増大した際のメッシュ要素数（四面体・三角形面数）の増加と計算コストが問題になりうる。大規模結晶系へのスケーラビリティはどのように担保するか。 ## 関連 - 概念: [[グラフニューラルネットワーク]] - ソース: [[@2023__arXiv__DeepCrysTet - A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials]]