用于材料性质预测与发现的多模态基础模型
机器学习
2025-03-13 v4 材料科学
摘要
人工智能正在变革计算材料科学，改善材料性质的预测并加速新材料发现。近来，公开可用的材料数据仓库快速增长。这一增长不仅涵盖更多材料，也包括其关联性质的更大种类与数量。材料科学中现有的机器学习工作主要关注单模态任务，即材料与单一物理性质之间的关系，因而未能利用丰富且多模态的材料性质集合。在此，我们提出材料多模态学习（MultiMat），其支持对材料基础模型的自监督多模态训练。我们利用 Materials Project 数据库的数据在多个维度展示了我们框架的潜力：（i）MultiMat 在极具挑战的材料性质预测任务上达到最先进性能；（ii）MultiMat 通过潜在空间相似性实现新颖且准确的材料发现，从而能够筛选具有期望性质的稳定材料；（iii）MultiMat 编码了可解释的新兴特征，可能提供新的科学见解。
引用
@article{arxiv.2312.00111,
title = {Multimodal Foundation Models for Material Property Prediction and Discovery},
author = {Viggo Moro and Charlotte Loh and Rumen Dangovski and Ali Ghorashi and Andrew Ma and Zhuo Chen and Samuel Kim and Peter Y. Lu and Thomas Christensen and Marin Soljačić},
journal= {arXiv preprint arXiv:2312.00111},
year = {2025}
}
备注
12 pages, 4 figures