通过基于图的机器学习整合实验与计算数据以促进材料发现的材料图谱
材料科学
2025-04-09 v5 机器学习
摘要
材料信息学（MI）源于材料科学与数据科学的融合，有望显著加速材料的开发与发现。MI 中使用的数据来源于计算和实验研究；然而，两者的整合仍然具有挑战性。在我们之前的研究中，我们通过将在实验数据集上训练的机器学习模型应用于计算数据库中存储的成分数据，报告了这些数据集的整合。在本研究中，我们使用获得的数据集构建了材料图谱，这些图谱可视化了材料特性与结构特征之间的关系，旨在为实验研究人员提供支持。该材料图谱是使用 MatDeepLearn（MDL）框架构建的，该框架通过基于材料结构的图表示和深度学习建模来实现材料特性预测。通过统计分析，我们发现使用消息传递神经网络（MPNN）架构的 MDL 框架能够高效提取反映材料结构复杂性的特征。此外，我们发现这一优势并不一定会转化为材料特性预测准确率的提升。我们将这一意外结果归因于 MPNN 固有的高学习能力，这可能有助于材料图谱中数据点的结构化。
引用
@article{arxiv.2503.07378,
title = {A Materials Map Integrating Experimental and Computational Data via Graph-Based Machine Learning for Enhanced Materials Discovery},
author = {Yusuke Hashimoto and Xue Jia and Hao Li and Takaaki Tomai},
journal= {arXiv preprint arXiv:2503.07378},
year = {2025}
}