利用迁移学习在有限数据下改进材料性质的神经网络预测
计算物理
2020-07-01 v1 机器学习
化学物理
摘要
我们开发了基于密度泛函理论（DFT）的从头算模拟的新迁移学习算法，以加速材料性质的预测。迁移学习已成功用于材料科学以外应用中的数据高效建模，它允许将从大型数据集学到的可迁移表示重新用于学习新任务，即使数据集很小。在材料科学背景下，这开启了开发可推广的神经网络模型的可能性，这些模型可用于其他材料，而无需生成大型（计算昂贵的）材料性质训练集。所提出的迁移学习算法在预测轻过渡金属氧化物的吉布斯自由能上得到了验证。
引用
@article{arxiv.2006.16420,
title = {Improving neural network predictions of material properties with limited data using transfer learning},
author = {Schuyler Krawczuk and Daniele Venturi},
journal= {arXiv preprint arXiv:2006.16420},
year = {2020}
}
备注
18 pages, 12 figures