材料科学中的多模态机器学习：面向实验测量性质的组合-结构双模态学习
材料科学
2023-09-12 v1 人工智能
机器学习
摘要
诸如 GPT-4 等多模态机器学习模型的广泛应用已革新了计算机视觉与自然语言处理等诸多研究领域。然而，尽管材料数据存在于组合与结构等多种模态中，其在材料信息学中的实施仍待探索。基于大规模计算数据集训练的机器学习模型之有效性取决于计算精度，而实验数据集往往数据量有限且信息不完整。本文提出一种通过组合-结构双模态学习实现材料科学中多模态机器学习的新方法。所提出的组合-结构双模态网络(COmposition-Structure Bimodal Network, COSNet)旨在加强对结构信息不完整的实验测量材料性质的学习与预测。双模态学习显著降低了多种不同材料性质的预测误差，包括固体电解质中的锂电导率、带隙、折射率、介电常数、能量与磁矩，超越了仅基于组合的学习方法。此外，我们确认基于模态可用性的数据增强在双模态学习的成功中起着关键作用。
引用
@article{arxiv.2309.04478,
title = {Multimodal machine learning for materials science: composition-structure bimodal learning for experimentally measured properties},
author = {Sheng Gong and Shuo Wang and Taishan Zhu and Yang Shao-Horn and Jeffrey C. Grossman},
journal= {arXiv preprint arXiv:2309.04478},
year = {2023}
}