基于多任务学习的聚合物信息学
材料科学
2021-04-14 v1 机器学习
计算物理
摘要
现代数据驱动工具正在改变特定应用的聚合物开发周期。可训练用于预测新聚合物性质的代理模型正变得普遍。然而，这些模型未利用数据集中可用的全部知识广度，而数据集往往是稀疏的；不同性质数据集之间的固有相关性被忽视。在此，我们展示了有效利用此类固有相关性的多任务学习方法的效力，尤其在部分性质数据集规模较小时。超过 种聚合物的 36 种不同性质的数据（对应超过 个数据点）被合并并输入深度学习多任务架构。与传统的单任务学习模型（在独立个体性质数据集上训练）相比，多任务方法准确、高效、可扩展，并且随着相同或不同性质的更多数据可用，适于迁移学习。此外，这些模型是可解释的。解释特定特征如何控制特定性质值趋势的化学规则从本工作中浮现，为合理设计满足期望性质或性能目标的特定应用聚合物铺平了道路。
引用
@article{arxiv.2010.15166,
title = {Polymer Informatics with Multi-Task Learning},
author = {Christopher Künneth and Arunkumar Chitteth Rajan and Huan Tran and Lihua Chen and Chiho Kim and Rampi Ramprasad},
journal= {arXiv preprint arXiv:2010.15166},
year = {2021}
}