物理引导的双重自监督学习用于基于结构的材料性质预测
材料科学
2024-01-11 v1
摘要
深度学习(DL)模型现已广泛用于高性能材料性质预测，如形成能和带隙。然而，训练此类深度学习模型通常需要大量标注数据，这对于大多数材料性质（如剥离能和弹性性质）而言通常不可得。自监督学习(SSL)方法已被提出，通过在各研究领域从未标注数据中学习固有表示来解决这一数据稀缺问题。在此，我们提出DSSL，一个物理引导的双重自监督学习框架，用于基于图神经网络(GNNs)的材料性质预测。该混合框架结合了基于节点掩码的预测式自监督学习与基于原子坐标扰动的对比式自监督学习策略，使其能够学习捕捉输入晶体局部和全局信息的结构嵌入。特别地，我们提出将预测与宏观性质（如弹性）相关的微观性质（如原子刚度）作为额外的代理任务，以实现物理引导的预训练过程。我们在Materials Project数据库的未标注数据上预训练我们的DSSL模型，并在十个具有不同材料性质的额外数据集上进行微调。实验结果表明，使用自监督学习策略教会神经网络一些物理知识，相比基线GNN模型可带来高达26.89%的性能提升。我们的源代码现已在https://github.com/usccolumbia/DSSL免费提供。
引用
@article{arxiv.2401.05223,
title = {Physics guided dual Self-supervised learning for structure-based materials property prediction},
author = {Nihang Fu and Lai Wei and Jianjun Hu},
journal= {arXiv preprint arXiv:2401.05223},
year = {2024}
}
备注
11 pages