用于材料发现的半监督师生深度神经网络
材料科学
2021-12-14 v1 机器学习
摘要
数据驱动的 generative 机器学习模型最近已成为最有前景的新材料发现方法之一。虽然生成器模型可生成数百万候选材料，但训练快速而准确的机器学习模型以筛选出具有所需性质的稳定、可合成材料至关重要。然而，构建有监督回归或分类筛选模型的此类努力因缺乏不稳定或不可合成样本而严重受阻，这些样本通常未被收集并存入如 ICSD 和 Materials Project（MP）等材料数据库。同时，这些数据库中有大量未标记数据可用。在此我们提出一种半监督深度神经网络（TSDNN）模型，用于高性能形成能和可合成性预测，这通过其独特的师生双网络架构及对大量未标记数据的有效利用得以实现。对于基于形成能的稳定性筛选，我们的半监督分类器相比基线 CGCNN 回归模型实现了绝对 10.3% 的准确率提升。对于可合成性预测，我们的模型在使用 1/49 模型参数的情况下，将基线 PU 学习的真正率从 87.9% 显著提高到 97.9%。为进一步证明模型有效性，我们将 TSDNN-energy 和 TSDNN-synthesizability 模型与 CubicGAN 生成器结合以发现新型稳定立方结构。在我们模型推荐的 1000 个候选样本中，有 512 个经 DFT 形成能计算验证具有负形成能。我们的实验结果表明，我们的半监督深度神经网络可显著提升大规模生成式材料设计中的筛选准确率。
引用
@article{arxiv.2112.06142,
title = {Semi-supervised teacher-student deep neural network for materials discovery},
author = {Daniel Gleaves and Edirisuriya M. Dilanga Siriwardane and Yong Zhao and Nihang Fu and Jianjun Hu},
journal= {arXiv preprint arXiv:2112.06142},
year = {2021}
}
备注
18 pages