Kolmogorov-Arnold 网络在材料性质预测中的应用
材料科学
2026-01-29 v1
摘要
Kolmogorov-Arnold 网络（KANs）是一种基于多层感知器（MLP-NNs）的传统神经网络架构的替代方案。KANs 相对于 MLP-NNs 的潜在优势包括显著提升的参数效率和增加的可解释性，这使其成为受监督机器学习问题中富有前景的回归模型。我们将 KANs 应用于材料性质的预测，聚焦于包括实验数据和计算数据在内的多样化的33种性质。我们将 KANs 的结果与随机森林进行比较，后者在广泛的性质预测中通常能获得极佳的性能，需要极少的优化。KANs 分别在约35%、60%和5%的情况下表现得更差、持平或更好于随机森林，并且在实际中比随机森林更难拟合。通过调整网络结构，我们发现性质拟合常常会导致标准 KAN 相比下降低10%-20%的误差，通常能得到与随机森林相当的结果。在预测反应堆压力容器过渡温度偏移的特定情境中，我们通过比较简单 KAN 模型（例如，<50个参数）以及由 KANs 拟合得到的闭形式表达式与之前发表的深层 MLP-NNs 和使用铸造物理学专家知识创建的手工调优模型进行比较。我们发现，简单 KAN 模型和由此产生的闭形式表达式能够以与经过手工调优模型相当的数量的参数，几乎无需领域专业知识即可实现与既定手工调优模型相当的预测误差。这一发现强化了 KANs 在材料科学中进行机器学习的潜在适用性，并表明 KANs 应作为预测材料性质的回归模型加以探索。
引用
@article{arxiv.2601.20097,
title = {Kolmogorov-Arnold Networks Applied to Materials Property Prediction},
author = {Ryan Jacobs and Lane E. Schultz and Dane Morgan},
journal= {arXiv preprint arXiv:2601.20097},
year = {2026}
}