通过元学习推进材料属性的外推预测

机器学习的最新进展已显示出其显著加速新材料发现的潜力。这一进展的核心是开发可快速计算的性质预测器，从而能够从庞大的材料空间中识别具有所需性质的新材料。然而，数据资源的有限性给数据驱动的材料研究带来了重大挑战，尤其阻碍了对现有数据边界之外的创新材料的探索。虽然机器学习预测器本质上是内插的，但建立一种通用的方法来创建外推预测器仍然是一个基本挑战，限制了在现有数据边界之外寻找创新材料。在本研究中，我们利用基于注意力的神经网络架构和元学习算法来获取外推泛化能力。经过反复处理任意生成的外推任务，元学习器能够在未探索的材料空间中获取卓越的泛化能力。通过预测聚合物材料和有机-无机杂化钙钛矿的物理性质的任务，我们强调了这种外推训练模型的潜力，特别是它们在迁移学习场景中快速适应未见材料领域的能力。