通过降维加速神经网络训练以实现拓扑材料的高通量筛选
材料科学
2023-08-25 v1 强关联电子
摘要
机器学习有助于构建各种各样的模型，从基础的线性回归模型到非常复杂的神经网络。神经网络目前受限于所提供数据的规模以及训练模型巨大的计算成本。当处理大量特征且对每个单独特征优劣缺乏充分先验知识时，这一问题尤为突出。我们尝试利用降维算法构建更具意义的特征来应对该问题。我们还比较了原始数据与降维后变换数据的准确率和训练时间，以在不损失精度的前提下推断出充足的维数。上述估计使用更轻量的基于决策树的算法 AdaBoost 完成，因其训练速度快于神经网络。我们选取了拓扑材料在线数据库 Materiae 的数据。我们的最终目标是构建一种模型，从基本属性预测新材料的拓扑性质。
引用
@article{arxiv.2308.12722,
title = {Accelerated Neural Network Training through Dimensionality Reduction for High-Throughput Screening of Topological Materials},
author = {Ruman Moulik and Ankita Phutela and Sajjan Sheoran and Saswata Bhattacharya},
journal= {arXiv preprint arXiv:2308.12722},
year = {2023}
}