面向材料的图对比学习
机器学习
2022-11-28 v1 材料科学
摘要
近期工作展示了图神经网络高效预测材料性质的潜力，从而实现材料的高通量筛选。然而，训练这些模型通常需要大量标注数据，这些数据通过诸如第一性原理计算或实验评估等昂贵方法获得。通过利用一系列材料特异性变换，我们引入了 CrystalCLR，一种基于晶体图神经网络进行表示对比学习的框架。借助新增的新型损失函数，我们的框架能够学习到与人工设计指纹方法相竞争的表示。我们还证明，通过模型微调，对比预训练可提升图神经网络预测材料性质的性能，并显著优于使用人工设计指纹的传统 ML 模型。最后，我们观察到 CrystalCLR 生成的材料表示按化合物类别形成簇。
引用
@article{arxiv.2211.13408,
title = {Graph Contrastive Learning for Materials},
author = {Teddy Koker and Keegan Quigley and Will Spaeth and Nathan C. Frey and Lin Li},
journal= {arXiv preprint arXiv:2211.13408},
year = {2022}
}
备注
7 pages, 3 figures, NeurIPS 2022 AI for Accelerated Materials Design Workshop