利用基于域适应的机器学习改进真实材料性质预测
材料科学
2024-05-28 v3
摘要
材料性质预测模型通常使用数据集随机划分为训练集和测试集来评估，这不仅由于材料数据集中普遍存在的固有冗余导致性能被高估，而且偏离了材料科学家的常见做法：他们通常感兴趣的是预测已知相关分布外（OOD）材料子集的性质，而非普遍分布的样本。将此类目标材料化学式/结构输入机器学习模型应能提高预测性能，而当前大多数机器学习（ML）模型忽略了这一信息。在此，我们提出使用域适应（DA）来增强当前的 ML 模型以进行性质预测，并在五类真实应用场景中评估其性能提升。我们的系统性基准研究表明，存在可显著提升 OOD 测试集预测性能的 DA 模型，而标准 ML 模型及大多数其他 DA 无法改善甚至恶化性能。我们的基准数据集与 DA 代码可在 https://github.com/Little-Cheryl/MatDA 免费获取。
引用
@article{arxiv.2308.02937,
title = {Improving realistic material property prediction using domain adaptation based machine learning},
author = {Jeffrey Hu and David Liu and Nihang Fu and Rongzhi Dong},
journal= {arXiv preprint arXiv:2308.02937},
year = {2024}
}