基于集成深度图卷积网络的材料性质预测提升

机器学习 (ML) 模型已成为加速材料发现和设计的强大工具， 通过从组成和结构数据中实现对性质的精准预测。这些能力对于发展能源、电子和生物医学等领域的先进技术至关重要，potentially 减少新材料探索所需的时间和资源，并促进快速的创新周期。最近的努力集中于采用深度图神经网络等高级机器学习算法进行性质预测。此外，集成模型已被证明可以增强机器学习和深度学习的普适性和鲁棒性。然而，针对材料性质预测的深度图网络集成策略仍未得到充分探索。我们的研究对深度图神经网络中的集成策略进行了深入评估，具体针对材料性质预测任务。通过测试晶体图卷积神经网络 (Crystal Graph Convolutional Neural Network, CGCNN)及其多任务版本 MT-CGCNN，我们证明集成技术，特别是预测平均化，显著超越了传统指标，对于关键性质如原子形成能 ($\Delta E^{f}$)、带隙 ($E_{g}$) 和密度 ($\rho$) 在 33,990 个稳定无机材料中的精度。这些发现支持更广泛地将集成方法应用于提高该领域预测精度。