面向有机半导体光电子性质的图自监督学习
化学物理
2021-12-06 v1
摘要
由于化学空间的广阔，寻找新型高性能有机半导体分子颇具挑战；机器学习方法，尤其是图神经网络（GNNs）等深度学习模型，已展现出应对该挑战的良好潜力。然而，GNNs 在化学中的实际应用常受限于标记数据的可得性。与此同时，未标记分子数据十分丰富，有望用于缓解标记数据的稀缺问题。本文倡导利用自监督学习，通过以未标记分子数据预训练 GNNs 来提升其性能。我们研究涉及基态与激发态性质的回归问题，二者均与有机半导体的光电子性质相关。此外，我们将自监督学习策略拓展至非平衡构型下的分子，这类分子对研究无序效应十分重要。在所有情形下，相较于无预训练的结果我们均获得显著的性能提升，尤其在标记训练数据有限时；且该提升归因于自监督学习识别未标记分子间结构相似性的能力。
引用
@article{arxiv.2112.01633,
title = {Graph Self-Supervised Learning for Optoelectronic Properties of Organic Semiconductors},
author = {Zaixi Zhang and Qi Liu and Shengyu Zhang and Chang-Yu Hsieh and Liang Shi and Chee-Kong Lee},
journal= {arXiv preprint arXiv:2112.01633},
year = {2021}
}