Crystal Twins：面向晶体材料性质预测的自监督学习
机器学习
2022-05-05 v1 材料科学
摘要
机器学习(ML)模型在材料性质预测中已广泛应用且成效显著。然而，训练精确ML模型所需的大规模标注数据集难以获取且计算成本高昂。近期，能够在无标注数据上训练ML模型的自监督学习(SSL)框架缓解了这一问题，并在计算机视觉与自然语言处理任务中展现出优越性能。受SSL进展启发，我们提出Crystal Twins (CT)：一种面向晶体材料性质预测的SSL方法。我们利用大规模无标注数据集，通过对同一晶体系统增强实例的图潜在嵌入应用冗余约简原理，预训练图神经网络(GNN)。在微调GNN用于回归任务时共享预训练权重，我们在7个具有挑战性的材料性质预测基准上显著提升了性能。
引用
@article{arxiv.2205.01893,
title = {Crystal Twins: Self-supervised Learning for Crystalline Material Property Prediction},
author = {Rishikesh Magar and Yuyang Wang and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2205.01893},
year = {2022}
}
备注
Preprint - Under review 20 pages, 3 figures