面向材料属性预测的模块化深度学习框架 MoMa
机器学习
2026-03-03 v3 材料科学
摘要
深度学习方法已广泛用于材料属性预测以推动材料发现。然而，现有的预训练后微调范式往往无法解决材料任务所固有的多样性和差异性问题。为克服这些挑战，我们引入 MoMa—a 面向材料的模块化框架，该框架首先在广泛的任务范围内训练专门模块，然后自适应组合针对每个下游场景的协同模块。跨 17 个数据集的评估表明，MoMa 在性能上显著优于最强基线，平均提升 14%。少样本和持续学习实验进一步凸显了 MoMa 在实际应用中的潜力。MoMa 开辟了模块化材料学习的新范式，并将开源以促进更广泛的社区合作。
引用
@article{arxiv.2502.15483,
title = {MoMa: A Modular Deep Learning Framework for Material Property Prediction},
author = {Botian Wang and Yawen Ouyang and Yaohui Li and Mianzhi Pan and Yuanhang Tang and Yiqun Wang and Haorui Cui and Jianbing Zhang and Xiaonan Wang and Wei-Ying Ma and Hao Zhou},
journal= {arXiv preprint arXiv:2502.15483},
year = {2026}
}
备注
Accepted to ICLR 2026