Known Unknowns: Out-of-Distribution Property Prediction in Materials and Molecules
机器学习
2025-02-11 v1 材料科学
计算工程、金融与科学
化学物理
摘要
发现高性能材料和分子需要识别那些属性值超出已知分布的极端情况。因此，能够对超出分布（OOD）的属性值进行外推预测对于固态材料和分子设计至关重要。我们的目标是训练预测模型，使其能够零样本外推到训练数据中更高的范围，给定固体的化学组成或分子图形及其属性值。我们提出使用 transductive 方法进行 OOD 属性预测，实现了预测准确性的提升。具体而言，材料和分子 OOD 分类的 True Positive Rate（TPR）分别提高了 3 倍和 2.5 倍，精度分别提高了 2 倍和 1.5 倍，与非 transductive baseline 方法相比。我们的方法利用训练和测试集中类比输入-目标关系，使模型能够在训练目标支持范围之外进行 generalization，可应用于其他材料和分子任务。
引用
@article{arxiv.2502.05970,
title = {Known Unknowns: Out-of-Distribution Property Prediction in Materials and Molecules},
author = {Nofit Segal and Aviv Netanyahu and Kevin P. Greenman and Pulkit Agrawal and Rafael Gomez-Bombarelli},
journal= {arXiv preprint arXiv:2502.05970},
year = {2025}
}
备注
10 Pages, 5 figures, supporting information