能源材料的多任务多保真度学习

数据科学和人工智能正在发挥越来越重要的作用于物理科学。然而，在能源材料领域，数据稀缺限制了机器学习工具的准确性甚至适用性。为此，我们汇编了多模态数据：包括几种性质的实验和计算结果。我们发现，多任务神经网络能够从多模态数据中学习，并在训练特定性质的单任务模型方面表现更好。如预期，数据稀缺性质的改进更为显著。这些模型使用由简单分子信息构建的描述符，并可轻易应用于大规模材料筛选，以同时探索多个性质。该方法广泛适用于能源材料以外的其他领域。