面向小数据集的材料属性预测的上下学习基础模型

基础模型（FMs）最近在跨 diverse 科学领域展现出惊人的上下学习（ICL）能力。本文提出一种统一的材料属性预测的上下学习基础模型（ICL-FM）框架，集成了基于组成的表征与结构感知表征。该方法将预训练的 TabPFN 变换器与图神经网络（GNN）派生的嵌入相结合，并引入我们新颖的 MagpieEX 描述符。MagpieEX 在传统特征之外加入阳离子-阴离子相互作用数据，显式测量键的离子性及电荷转移不对称性，捕捉影响振动和热传导性质的原子间键合特征。针对 MatBench 基准套件和一个独立的晶格热导率（LTC）数据集进行了全面实验，结果表明 ICL-FM 在显著降低训练成本的同时，实现了对比 SOTA 模型的竞争或优越性能。令人惊讶的是，训练自由的 ICL-FM 在五个六个代表性基于组成的任务中中 outperform 了精细调优的 SOTA GNN 模型，其中包括 9.93% 的声学频率预测提升。在 LTC 数据集上，该基础模型有效地建模了如声学-声学散射和原子质量对比等复杂现象。t-SNE 分析揭示，基础模型充当了物理感知的特征细化器，将原始的、离散的特征聚类转化为具有渐进属性过渡的连续流形。这种重构后的潜在空间增强了插值预测精度，同时将所学表征与底层物理定律对齐。这一研究确立了 ICL-FM 作为材料信息学中通用、数据高效的范式。