学习解耦潜在表征有助于功能材料的发现与设计
材料科学
2025-07-29 v1
摘要
新材料的发现往往受限于大规模标注数据集或高昂的仿真成本.本研究探索了使用解耦自编码器 (DAEs) 以无监督方式学习光谱数据的紧凑且可解释的表征.我们展示了 DAE 捕获了光学吸收光谱中与光伏 (PV) 性能相关的物理特征,包括一个与 Spectroscopic Limited Maximum Efficiency (SLME) 强相关的潜在维度——尽管该模型在训练时未获得 SLME 标签.该特征对应于一个著名的光谱特征:从直接带隙向间接带隙的过渡.与主成分分析 (PCA) 和 beta-Variational 自编码器 (beta-VAE) 相比,DAE 在重建保真度、与效率指标的相关性以及更紧凑的特征编码方面取得了优势.进一步我们表明,DAE 的潜在空间使得发现高性能 PV 材料更高效,通过少于 VAE 指导搜索和随机搜索的评估次数即可确定 top 候选材料.这些结果突显了 DAEs 作为无监督结构-性质学习强大工具的潜力,并表明其在其他数据标签有限但原始信号中包含丰富结构的材料发现领域具有广泛适用性.
引用
@article{arxiv.2507.19602,
title = {Learning disentangled latent representations facilitates discovery and design of functional materials},
author = {Jaehoon Cha and Tingyao Lu and Matthew Walker and Keith T. Butler},
journal= {arXiv preprint arXiv:2507.19602},
year = {2025}
}