面向多属性预测的材料表示与迁移学习
机器学习
2024-06-12 v3 人工智能
摘要
机器学习在材料科学中的采用已迅速改变了材料属性预测。限制充分利用机器学习近期进展的障碍包括：学习方法以学习多种元素间潜在相互作用以及多属性间关系从而促进新组分空间中属性预测的方法发展有限。为解决这些问题，我们引入了多属性预测的分层关联学习（H-CLMP）框架，其无缝整合了（i）仅利用材料组分进行预测，（ii）在多目标回归中学习并利用目标属性间的相关性，以及（iii）通过生成式迁移学习利用来自相关领域的训练数据。该模型在预测涵盖69个三阳离子金属氧化物组分空间的复杂金属氧化物的光谱光吸收方面得到验证。H-CLMP准确预测了无可用训练数据的组分空间中的非线性组分-属性关系，从而将机器学习的视野拓宽至具有优异性能材料的发现。这一成果源于潜嵌入学习、属性关联学习、生成式迁移学习与注意力模型的原理性整合。最佳性能由带迁移学习的H-CLMP（H-CLMP(T)）取得，其中生成对抗网络在计算态密度数据上训练，并部署于目标域中以增强从组分预测光吸收的能力。H-CLMP(T)将多知识源聚合于一个非常适于物理科学中多目标回归的框架中。
引用
@article{arxiv.2106.02225,
title = {Materials Representation and Transfer Learning for Multi-Property Prediction},
author = {Shufeng Kong and Dan Guevarra and Carla P. Gomes and John M. Gregoire},
journal= {arXiv preprint arXiv:2106.02225},
year = {2024}
}
备注
This is accepted at the Applied Physics Reviews journal