强调材料区分度的材料相似性度量
机器学习
2019-03-27 v1 机器学习
摘要
在本研究中，我们为在应用机器学习技术解决材料科学问题时选择相似性度量建立了基础。该选择以能够良好反映材料本质的材料间区分度为考量重点。我们以一组稀土过渡金属晶体化合物数据集为例进行案例研究，该数据集使用 Orbital Field Matrix 描述符与 Coulomb Matrix 描述符表示。我们使用 k-近邻回归、岭回归与核岭回归对形成能进行预测。通过对预测精度收益的详细分析，我们考察了材料表示与相似性度量的特征同其所能捕捉的能量函数复杂性之间的关系。实证实验与理论分析表明，最小化材料区分度损失的相似性度量与核能够提升预测性能。
引用
@article{arxiv.1903.10867,
title = {Measuring the Similarity between Materials with an Emphasis on the Materials Distinctiveness},
author = {Tran-Thai Dang and Tien-Lam Pham and Hiori Kino and Takashi Miyake and Hieu-Chi Dam},
journal= {arXiv preprint arXiv:1903.10867},
year = {2019}
}