基于熵的图神经网络材料性质代理模型主动学习
材料科学
2024-06-19 v2
摘要
在实验或计算数据上训练的图神经网络正成为计算材料科学中日益重要的工具。一旦训练完成，网络能够以实验或同等精度第一性原理计算的一小部分成本做出高精度预测。然而，这些网络通常依赖大量标注实验数据库来训练模型。在数据稀缺或获取昂贵的情况下，这可能令人望而却步。通过构建能提供预测性质置信度的神经网络，我们得以开发一种主动学习方案，通过识别模型最不确定的化学空间区域，减少所需标注数据量。我们提出了一种将图神经网络与高斯过程耦合以对固态材料进行特征化并预测性质（包括预测置信度度量）的方案。随后我们证明，该方案可用于主动学习场景，通过选择最优的下一步实验来获取数据标签，从而加速模型训练。与随机选取下一样本相比，我们的主动学习方案使模型在测试数据集上的性能随新增数据的提升速率翻倍。这类不确定性量化与主动学习有望将图神经网络的变革性能力拓展至数据稀缺且昂贵的数据新材料科学领域。
引用
@article{arxiv.2108.02077,
title = {Entropy-based Active Learning of Graph Neural Network Surrogate Models for Materials Properties},
author = {Johannes Allotey and Keith T. Butler and Jeyan Thiyagalingam},
journal= {arXiv preprint arXiv:2108.02077},
year = {2024}
}