基于文献训练神经网络的无机材料合成规划
材料科学
2019-02-19 v2 人工智能
机器学习
摘要
利用新数据源是加快材料设计与发现步伐的关键一步。为补充由历史、实验与计算数据驱动的合成规划进展，我们提出了一种将科学文献与合成洞见相关联的自动化方法。从自然语言文本出发，我们应用来自语言模型的词嵌入，将其输入命名实体识别模型，并在其上训练条件变分自编码器以生成任意材料的合成方法。我们利用仅发表于两种钙钛矿材料首次报道合成前十多年的训练数据预测其前驱体，展示了该技术的潜力。我们证明模型学习了对应于合成相关属性的材料表示，且模型行为与现有热力学知识互补。最后，我们将该模型应用于对所提出的新型钙钛矿化合物进行可合成性筛选。
引用
@article{arxiv.1901.00032,
title = {Inorganic Materials Synthesis Planning with Literature-Trained Neural Networks},
author = {Edward Kim and Zach Jensen and Alexander van Grootel and Kevin Huang and Matthew Staib and Sheshera Mysore and Haw-Shiuan Chang and Emma Strubell and Andrew McCallum and Stefanie Jegelka and Elsa Olivetti},
journal= {arXiv preprint arXiv:1901.00032},
year = {2019}
}
备注
Added new funding support to the acknowledgments section in this version