S2SNet：一种用于超导发现的预训练神经网络
超导电性
2023-06-29 v1 机器学习
摘要
超导使电流无能量损耗地流动，因此使固体具有超导性是物理学、材料科学与电气工程的重大目标。已有超过16位诺贝尔奖得主因对超导研究的贡献而获奖。超导对可持续发展目标（SDGs）颇具价值，如减缓气候变化、可负担且清洁的能源、工业、创新与基础设施等。然而，解释所有超导机制的统一定理仍属未知。人们认为超导在微观上不仅源于分子组成，也源于几何晶体结构。因此，基于SuperCon与Material Project构建了一个包含晶体结构与超导临界温度的新数据集S2S。基于该新数据集，我们提出一种利用注意力机制进行超导预测的新模型S2SNet。为克服数据不足，S2SNet在整个Material Project数据集上以掩码语言建模（MLM）进行预训练。S2SNet取得了新的最优结果，样本外准确率为92%，曲线下面积（AUC）为0.92。据我们所知，S2SNet是仅利用晶体结构信息预测超导的首项工作。本工作有益于超导发现及进一步的SDGs。代码与数据集见于https://github.com/zjuKeLiu/S2SNet
引用
@article{arxiv.2306.16270,
title = {S2SNet: A Pretrained Neural Network for Superconductivity Discovery},
author = {Ke Liu and Kaifan Yang and Jiahong Zhang and Renjun Xu},
journal= {arXiv preprint arXiv:2306.16270},
year = {2023}
}
备注
Accepted to IJCAI 2022