物理与数据驱动预测方法的杂化用于理化性质预测
化学物理
2022-02-18 v1 机器学习
摘要
我们提出了一种杂化物理与数据驱动方法以预测理化性质的通用方式。该方法将物理方法的预测“蒸馏”为先验模型，并使用贝叶斯推断将其与稀疏实验数据结合。我们将新方法应用于预测无限稀释活度系数，相较于数据驱动与物理基线以及机器学习文献中既有的集成方法均获得显著改进。
引用
@article{arxiv.2202.08804,
title = {Hybridizing Physical and Data-driven Prediction Methods for Physicochemical Properties},
author = {Fabian Jirasek and Robert Bamler and Stephan Mandt},
journal= {arXiv preprint arXiv:2202.08804},
year = {2022}
}
备注
Published version