面向材料设计的可解释机器学习
材料科学
2021-12-02 v1
摘要
受机器学习（ML）广泛采用和材料高通量筛选的推动，以数据为中心的材料设计方法已成为一种稳健而强大的工具，用于材料性质的计算机模拟预测。在训练模型预测材料性质时，研究者常面临模型可解释性与性能之间的艰难抉择。我们通过利用四种不同的先进ML技术：XGBoost、SISSO、Roost和TPOT来预测钙钛矿和二维材料的结构与电子性质，研究了这一权衡。随后我们评估了ML持续融入材料发现的未来前景，并识别出随着文献数据集规模和模型复杂性的增加，将持续挑战研究者的关键问题。最后，我们针对这些挑战提供了几种可能的解决方案，重点在于保持可解释性，并分享了关于放大ML对材料设计影响的思考。
引用
@article{arxiv.2112.00239,
title = {Interpretable Machine Learning for Materials Design},
author = {James Dean and Matthias Scheffler and Thomas A. R. Purcell and Sergey V. Barabash and Rahul Bhowmik and Timur Bazhirov},
journal= {arXiv preprint arXiv:2112.00239},
year = {2021}
}
备注
38 pages, 14 figures, 12 tables