基于嵌套变分自编码器提出新型外推化合物
机器学习
2023-02-07 v1 材料科学
摘要
材料信息学（MI）利用人工智能和数据分析技术提高材料开发效率，正受到工业界越来越多的关注。其主要应用之一是快速开发新型高性能化合物。最近，已提出多种深度生成模型来建议预期满足所需性能的候选化合物。然而，它们通常存在需要大量实验数据集进行训练才能达到足够精度的问题。在实际情况下，通常最多只能积累约1000条实验数据。因此，作者提出了一种包含两个嵌套变分自编码器（VAE）的深度生成模型。外层VAE利用大规模公共数据学习化合物的结构特征，而内层VAE利用小规模实验数据学习外层VAE的潜变量与性质之间的关系。为了生成超越训练数据范围的高性能化合物，作者还提出了一种损失函数，该函数放大了内层VAE潜变量分量与材料性质之间的相关性。结果表明，该损失函数有助于提高生成高性能候选化合物的概率。此外，通过化学工业实际客户的验证测试结果证实，与传统方法相比，所提出的方法能有效将实验次数减少至1/4。
引用
@article{arxiv.2302.02555,
title = {Proposing Novel Extrapolative Compounds by Nested Variational Autoencoders},
author = {Yoshihiro Osakabe and Akinori Asahara},
journal= {arXiv preprint arXiv:2302.02555},
year = {2023}
}
备注
9 pages, 4 figures