COEFF-KANs：用于电解质领域的 KANs 方法
机器学习
2024-07-31 v1 计算工程、金融与科学
摘要
为减少化学研究人员的实验验证工作量，加速高能量密度锂金属电池的设计与优化，本文旨在利用模型自动预测基于液态电解质组成的库仑效率(CE)。现有方法主要有两大范式：机器学习和深度学习。前者需要智能地选择输入特征并依赖可靠的计算方法，导致从特征估计到模型预测的误差传播；后者（如 MultiModal-MoLFormer）由于增强数据多样性有限，面临预测性能差和过拟合的挑战。为此，本文提出一种新方法 COEFF（COlumbic EFficiency prediction via Fine-tuned models），包括两个阶段：首先在大规模无标签数据上预训练化学通用模型，然后在下游任务数据上微调。在第一阶段，采用公开的 MoLFormer 模型获取每个溶剂和盐的特征向量。其次，对所有分子的每个 token 的嵌入进行加权平均，权重由电解质各组成分比例决定。最后，将获得的电解质特征输入到多层感知器或 Kolmogorov-Arnold Network 中预测 CE。在真实世界数据集上的实验结果表明，我们的方法在所有基线方法中实现了 CE 预测的 SOTA 性能。本文使用的数据和代码将在论文发表后公开。
引用
@article{arxiv.2407.20265,
title = {COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs},
author = {Xinhe Li and Zhuoying Feng and Yezeng Chen and Weichen Dai and Zixu He and Yi Zhou and Shuhong Jiao},
journal= {arXiv preprint arXiv:2407.20265},
year = {2024}
}
备注
8 pages, 5 figures