MODNet——通过特征选择与联合学习对有限材料数据集进行准确且可解释的性质预测
材料科学
2021-07-09 v3
摘要
为了准确预测材料性质，当前的机器学习方法通常需要大量数据，而实践中往往无法获得。在这项工作中，提出了一个全面的框架，其依赖于前馈神经网络、具有物理意义的特征选择，以及在适用时的联合学习。除了训练时间更快之外，该方法在小数据集上被证明优于当前的图网络模型。特别地，晶体在305 K下的振动熵以0.009 meV/K/atom的平均绝对测试误差被预测（比先前研究低四倍）。此外，联合学习相比单目标学习降低了测试误差，并能够一次性预测多个性质，例如温度函数。最后，选择算法突出了最重要的特征，从而有助于理解 underlying physics（底层物理机制）。
引用
@article{arxiv.2004.14766,
title = {MODNet -- accurate and interpretable property predictions for limited materials datasets by feature selection and joint-learning},
author = {Pierre-Paul De Breuck and Geoffroy Hautier and Gian-Marco Rignanese},
journal= {arXiv preprint arXiv:2004.14766},
year = {2021}
}
备注
5 pages, 2 figures