通过 DKL-VAE 模型的潜在空间设计整合预测与生成能力
机器学习
2025-03-06 v1 材料科学
摘要
我们提出了一种深度核学习变分自编码器（VAE-DKL）框架，将变分自编码器（VAE）的生成能力与深度核学习（DKL）的预测特性相结合。VAE 学习高维数据的潜在表示，从而实现新结构的生成，而 DKL 通过高斯过程（GP）回归将潜在空间结构化以对齐目标属性。该方法保留了 VAE 的生成能力，同时增强了其用于 GP 基属性预测的潜在空间。我们在两个数据集上评估了该框架：一个具有预定义变分因子的结构化卡片数据集，以及 QM9 分子数据集，其中焓作为优化目标函数。该模型展示了高精度属性预测能力，并能够生成具有所需特性的训练集外新结构。VAE-DKL 框架为高通量材料发现和分子设计提供了一种有前景的方法，在结构化潜在空间组织与生成灵活性之间取得平衡。
引用
@article{arxiv.2503.02978,
title = {Integrating Predictive and Generative Capabilities by Latent Space Design via the DKL-VAE Model},
author = {Boris N. Slautin and Utkarsh Pratiush and Doru C. Lupascu and Maxim A. Ziatdinov and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2503.02978},
year = {2025}
}
备注
25 pages, 15 figures