AtomSets——一种面向小规模与大规模材料数据集的层次化迁移学习框架
材料科学
2021-11-01 v2
摘要
从成分或结构预测材料性质是材料科学界高度关注的问题。深度学习近期在处理大规模材料数据时以低模型误差在材料预测任务中获得了相当关注。然而,深度学习模型在材料科学中常见的小数据情形下表现不佳。本文利用迁移学习概念与图网络深度学习框架,开发了 AtomSets 机器学习框架,以在小型与大型材料数据上均保持持续的高模型精度。AtomSets 模型可同时处理成分与结构材料数据。通过结合图网络的迁移学习特征,它们能在使用小型成分数据(<400)到大型结构数据(>130,000)时达到最先进的精度。AtomSets 模型在小数据极限下比最先进的图网络模型误差低得多,在大数据极限下比经典机器学习模型误差低得多。在模拟材料发现过程中,当目标材料的性质值超出训练数据范围时,它们也表现出更好的迁移性。这些模型所需领域知识输入极少且无需特征工程。所提出的 AtomSets 模型框架为机器学习辅助的材料设计与发现开辟了新路径。
引用
@article{arxiv.2102.02401,
title = {AtomSets -- A Hierarchical Transfer Learning Framework for Small and Large Materials Datasets},
author = {Chi Chen and Shyue Ping Ong},
journal= {arXiv preprint arXiv:2102.02401},
year = {2021}
}