利用低保真数据通过迁移学习改进稀疏高保真热导率数据的机器学习
材料科学
2022-08-30 v1 应用物理
摘要
半导体的晶格热导率（TC）对从微电子到热电材料的多种应用至关重要。数据驱动方法有望建立快速筛选具有理想 TC 的候选材料所需的关键成分-性质关系，但可用数据量少仍是主要挑战。TC 可利用经验模型高效计算，但其精度低于更耗费资源的第一性原理计算。在此，我们展示使用迁移学习（TL）来改进在来自实验和第一性原理计算的少量但高保真 TC 数据上训练的机器学习模型，方法是利用由经验 TC 模型生成的大量但低保真数据，其中在高保真与低保真 TC 数据上的训练被视为不同但相关的任务。TL 将模型的 R2 精度提高多达 23%，并将平均因子差异减少多达 30%。使用 TL 模型筛选了一个大型半导体数据库，识别出几种室温 TC > 350 W/mK 的候选材料，并通过第一性原理模拟进一步验证。本研究表明，TL 可利用大型低保真数据作为代理任务来改进针对高保真但小数据的目标任务的模型。TL 的这种能力可能对材料信息学具有普遍重要意义。
引用
@article{arxiv.2208.13294,
title = {Leveraging Low-Fidelity Data to Improve Machine Learning of Sparse High-Fidelity Thermal Conductivity Data via Transfer Learning},
author = {Zeyu Liu and Meng Jiang and Tengfei Luo},
journal= {arXiv preprint arXiv:2208.13294},
year = {2022}
}
备注
24 pages, 6 figures