预测金属氢化物储氢容量的混合机器学习框架：深度神经网络与无监督特征学习
材料科学
2024-08-29 v5
摘要
在本研究中，我们提出了一个复杂的混合机器学习框架，显著提高了预测金属氢化物储氢容量的准确性。由于实验数据的稀缺和高维特征空间的复杂性，这是一个关键挑战。我们的方法通过使用最先进的自编码器发挥了无监督学习的强大能力。该自编码器在从 Mendeleev 软件获得的元素描述符上进行训练，能够从输入数据中提取有意义的低维潜在空间。这种潜在表示作为我们深度多层感知机（MLP）模型的基础，该模型由五层组成，在预测储氢容量方面表现出良好的精度。此外，我们的结果与密度泛函理论（DFT）的结果非常吻合。除了解决储氢材料领域数据有限且分布不均造成的局限性外，我们还致力于发现具有广阔储氢前景的新材料。这些材料是通过基于特征的方法和大型语言模型生成的预测来识别的。最后，我们研究了将自编码器的权重与潜在特征一起迁移到 MLP 的有效性，结果表明，虽然这种策略通过略高的 R 值和略低的 RMSE 略微提高了模型性能，但它强调了将预训练权重适应特定监督任务的复杂挑战。
引用
@article{arxiv.2401.17587,
title = {A Hybrid Machine Learning Framework for Predicting Hydrogen Storage Capacities in Metal Hydrides: Unsupervised Feature Learning with Deep Neural Networks},
author = {Satadeep Bhattacharjee and Pritam Das and Swetarekha Ram and Seung-Cheol Lee},
journal= {arXiv preprint arXiv:2401.17587},
year = {2024}
}