评估与改进机器学习模型对聚合物玻璃化转变温度的预测
计算物理
2019-08-08 v1 材料科学
摘要
材料基因组计划的成功为材料发现的数据驱动方法带来了机遇。近期开发的 Polymer Genome（PG）是一个基于机器学习（ML）的聚合物性质预测数据驱动信息学平台，显著提高了聚合物设计效率。然而，持续扩展“训练数据”对于提升 ML 预测的鲁棒性、通用性和准确性是必要的。为检验 PG 中现有预测模型的性能与可迁移性（其先前在 450 种聚合物数据集上训练），我们从多个数据源仔细收集了 871 种聚合物的额外实验玻璃化转变温度（Tg）数据。将当前 PG 模型对新收集数据集中聚合物的 Tg 预测值直接与实验 Tg 比较，以估计现有模型的准确性。使用包含 1321 种聚合物的完整数据集，依据以往工作建立了新的 Tg ML 模型。与早期数据集相比，扩展数据集的预测均方根误差（RMSE）从 57 K 降至 27 K。为进一步提升 Tg 预测模型性能，我们正持续积累新数据并探索新的 ML 方法。
引用
@article{arxiv.1908.02398,
title = {Assessing and Improving Machine Learning Model Predictions of Polymer Glass Transition Temperatures},
author = {Manav Ramprasad and Chiho Kim},
journal= {arXiv preprint arXiv:1908.02398},
year = {2019}
}
备注
8 pages, 3 figures