利用机器学习进行材料性质预测：准确预测、不确定性估计、领域指导与持久在线可访问性
材料科学
2024-06-25 v1
摘要
材料发现与设计的未来愿景涉及使用机器学习（ML）模型预测材料性质，然后快速寻找为特定应用定制的材料。然而，要实现这一愿景，既需要提供详细的不确定性量化（模型预测误差和适用范围），又需使模型易于使用。在社区中，通常仅按预测准确性（例如均方绝对误差）来评估ML模型性能，而忽略详细的不确定性量化和可靠的模型可访问性与可用性。本文演示了一种实用方法，实现了不确定性和可访问性功能，同时涵盖大量模型。我们开发了针对33种材料性质的随机森林ML模型，这些性质涵盖多种数据来源（计算与实验）和性质类型（电气、机械、热力学等）。所有模型都具有校准好的集成误差棒，用于量化预测不确定性和基于核密度估计的特征距离度量所启发的适用范围指导。所有数据和模型均公开托管在 Garden-AI 基础设施上，该平台提供易于使用的、持久的模型分发接口，允许仅通过几行 Python 代码调用模型。我们通过使用这些模型进行基于ML的材料发现练习来搜索新的稳定且高度活性的钙钛矿氧化物催化剂材料，展示了该方法的强大能力。
引用
@article{arxiv.2406.15650,
title = {Machine Learning Materials Properties with Accurate Predictions, Uncertainty Estimates, Domain Guidance, and Persistent Online Accessibility},
author = {Ryan Jacobs and Lane E. Schultz and Aristana Scourtas and KJ Schmidt and Owen Price-Skelly and Will Engler and Ian Foster and Ben Blaiszik and Paul M. Voyles and Dane Morgan},
journal= {arXiv preprint arXiv:2406.15650},
year = {2024}
}