基于去噪的晶体性质预测自监督学习
机器学习
2024-09-02 v1 材料科学
摘要
准确预测晶体材料的性质对于定向发现至关重要，且这种预测越来越多地通过数据驱动模型来完成。然而，对于许多感兴趣的性质，已测定特定性质的材料数量远少于已知材料的数量。为了克服这一差异，我们提出了一种用于材料性质预测的新型自监督学习（SSL）策略。我们的方法，即晶体去噪自监督学习（CDSSL），通过一个前置任务来预训练预测模型（如图网络），该任务基于在给定材料结构受扰动版本的情况下恢复有效的材料结构。我们证明，在不同材料类型、性质和数据集大小下，CDSSL 模型均优于未经 SSL 训练的模型。
引用
@article{arxiv.2408.17255,
title = {Self-supervised learning for crystal property prediction via denoising},
author = {Alexander New and Nam Q. Le and Michael J. Pekala and Christopher D. Stiles},
journal= {arXiv preprint arXiv:2408.17255},
year = {2024}
}
备注
Published at ICML 2024 AI4Science: https://openreview.net/forum?id=yML9ufAEoV