高效的第一性原理贝叶斯主动学习方法及其在二维功能材料预测中的应用
材料科学
2021-08-23 v2
摘要
除传统的试错法外，机器学习为加速功能材料的发现提供了巨大机遇，但仍常受限于材料数据有限和目标性质分布不平衡等困难。在此，我们提出第一性原理贝叶斯主动学习方法，其将主动学习与第一性原理高通量计算相结合，以超高效率和精度加速所需功能材料的预测。我们将其作为一个实例应用于具有不平衡材料性质的大型二维六方二元化合物家族（3,119种），并分别准确筛选出具有最大电极化和合适光伏带隙的材料，而相较于随机搜索，仅计算了 possible 候选中的十分之几便显著降低了计算成本。该方法在目标性质分布不平衡的情况下展现出巨大优势，可轻易推广至广泛先进材料的搜寻。
引用
@article{arxiv.2102.10976,
title = {High-Efficient ab initio Bayesian Active Learning Method and Applications in Prediction of Two-dimensional Functional Materials},
author = {Xing-Yu Ma and Hou-Yi Lyu and Kuan-Rong Hao and Zhen-Gang Zhu and Qing-Bo Yan and Gang Su},
journal= {arXiv preprint arXiv:2102.10976},
year = {2021}
}