基于对抗学习的分布外材料性能预测
材料科学
2024-08-20 v1 机器学习
摘要
材料性能的准确预测在广泛的科学和工程学科中至关重要。机器学习(ML)已将该领域推向了新的高度,使科学家能够发现新材料并设计具有特定所需性能的材料。然而,材料性能预测中持续存在的一个主要挑战是模型对分布外(OOD)样本的泛化能力,即与训练期间遇到的样本显著不同的样本。在本文中,我们探索了OOD学习方法的应用进展,以增强材料性能预测模型的鲁棒性和可靠性。我们提出并应用了晶体对抗学习(CAL)算法用于OOD材料性能预测,该算法在训练期间生成合成数据,使训练偏向于那些预测不确定性高的样本。我们进一步提出了一种基于对抗学习的定向微调方法,使模型适应特定的OOD数据集,作为传统微调的替代方案。我们的实验证明了CAL算法在样本有限的ML中的高效性,这种情况在材料科学中很常见。我们的工作代表了向更好的OOD学习和材料性能预测迈进的一个有前景的方向。
引用
@article{arxiv.2408.09297,
title = {Out-of-distribution materials property prediction using adversarial learning based fine-tuning},
author = {Qinyang Li and Nicholas Miklaucic and Jianjun Hu},
journal= {arXiv preprint arXiv:2408.09297},
year = {2024}
}