弥合语义与数值鸿沟：面向材料属性预测的跨模态知识图谱数值推理方法
机器学习
2024-04-25 v2 材料科学
摘要
使用机器学习(ML)技术预测材料属性是一个至关重要的研究课题。这些属性取决于数值数据和语义因素。由于小样本数据集的局限性，现有方法通常采用 ML 算法对数值属性进行回归，或将其他预训练知识图谱(KGs)迁移到材料领域。然而，这些方法无法同时处理语义和数值信息。本文提出了一种面向材料知识图谱的数值推理方法(NR-KG)，该方法使用语义节点和数值代理节点构建跨模态 KG。它通过将 KG 投影到规范 KG 中来捕获这两类信息，并利用图神经网络预测材料属性。在此过程中，提出了一种新颖的投影预测损失，以从数值信息中提取语义特征。NR-KG 促进了跨模态数据的端到端处理，挖掘小样本数据集中的关系和跨模态信息，并充分利用有价值的实验数据来增强材料预测。我们进一步提出了两个带有语义描述的新型高熵合金(HEA)属性数据集。NR-KG 优于现有最先进(SOTA)方法，在两个材料数据集上分别实现了 25.9% 和 16.1% 的相对提升。此外，NR-KG 在两个公开的物理化学分子数据集上超越了 SOTA 方法，提升幅度分别为 22.2% 和 54.3%，凸显了其潜在应用价值和泛化能力。我们希望所提出的数据集、算法和预训练模型能够促进材料领域的 KG 与 AI 社区的发展。
引用
@article{arxiv.2312.09744,
title = {Bridging the Semantic-Numerical Gap: A Numerical Reasoning Method of Cross-modal Knowledge Graph for Material Property Prediction},
author = {Guangxuan Song and Dongmei Fu and Zhongwei Qiu and Zijiang Yang and Jiaxin Dai and Lingwei Ma and Dawei Zhang},
journal= {arXiv preprint arXiv:2312.09744},
year = {2024}
}