GlassNet：用于预测多种玻璃性质的多任务深度神经网络
软凝聚态物质
2023-11-21 v3 材料科学
摘要
一个多任务深度神经网络模型在超过 21.8 万种不同玻璃组分上进行了训练。该模型称为 GlassNet，可预测不同化学组成（如氧化物、硫系化物、卤化物等）的玻璃和玻璃形成液体的 85 种不同性质（如光学、电学、介电、力学和热学性质，以及密度、黏度/弛豫、结晶、表面张力和液相线温度）。该模型及其训练数据可在 GlassPy Python 模块中获取，作为免费开源软件供社区使用和扩展。作为概念验证，GlassNet 结合 MYEGA 黏度方程用于预测黏度的温度依赖性，并在未见数据上优于文献中另一种通用黏度模型（ViscNet）。使用可解释 AI 算法（SHAP）提取了模型输入（物理化学信息）与输出（玻璃性质）之间的关联知识，为玻璃制造和设计提供了有价值的见解。希望 GlassNet 凭借其免费开源的特性，能够被用于实现更快更好的新技术玻璃计算机辅助设计。
引用
@article{arxiv.2303.15538,
title = {GlassNet: a multitask deep neural network for predicting many glass properties},
author = {Daniel R. Cassar},
journal= {arXiv preprint arXiv:2303.15538},
year = {2023}
}
备注
Supplementary material is included. Corrected version after peer review and published information added to first page