用于预测材料发现成功可能性的机器学习度量
材料科学
2019-11-28 v2 机器学习
计算物理
摘要
材料发现常被比作大海捞针的挑战。尽管大量工作聚焦于用机器学习（ML）准确预测候选材料的属性，这相当于评估给定候选是稻草还是针，但一个关键问题较少受到关注：我们是否在正确的草堆中搜索？我们将草堆称为特定材料发现问题的设计空间（即待合成的可能候选材料集合），从而将此问题框定为设计空间选择。本文引入两个度量：预测改进候选比例（PFIC）与累积最大改进似然（CMLI），并证明它们分别可识别富含发现与贫于发现的设计空间。将 CMLI 与 PFIC 结合用于识别最优设计空间，可显著加速 ML 驱动的材料发现。
引用
@article{arxiv.1911.11201,
title = {Machine-learned metrics for predicting the likelihood of success in materials discovery},
author = {Yoolhee Kim and Edward Kim and Erin Antono and Bryce Meredig and Julia Ling},
journal= {arXiv preprint arXiv:1911.11201},
year = {2019}
}
备注
13 pages, 10 figures, 2 tables