SISSO：一种在大量候选对象中识别最佳低维描述符的压缩感知方法
材料科学
2018-08-15 v2
摘要
缺乏识别描述符（即捕获材料属性潜在机制的参数集合）的可靠方法，是阻碍高效材料发展的关键因素之一。在此，我们在基于压缩感知的降维框架内，提出了一种发现材料属性描述符的系统方法。SISSO（Sure Independence Screening and Sparsifying Operator）处理庞大且相关的特征空间，并从与感兴趣的材料属性相关的特征组合中收敛到最优解。此外，SISSO 在小训练集下也能给出稳定的结果。该方法通过八隅体二元材料基态焓的定量预测（使用 ab initio 数据）进行了基准测试，并应用于预测二元化合物金属/绝缘体分类的展示案例（使用实验数据）。在两种情况下均发现了准确且具有预测性的模型。对于金属-绝缘体分类模型，其预测能力在训练数据之外进行了测试：它重新发现了已知的压力诱导绝缘体->金属转变，并允许对尚未未知的转变候选对象进行预测，以待实验验证。相较于以往的模型识别方法，SISSO 向前迈进了一步，有望成为自动材料开发的有效工具。
引用
@article{arxiv.1710.03319,
title = {SISSO: a compressed-sensing method for identifying the best low-dimensional descriptor in an immensity of offered candidates},
author = {Runhai Ouyang and Stefano Curtarolo and Emre Ahmetcik and Matthias Scheffler and Luca M. Ghiringhelli},
journal= {arXiv preprint arXiv:1710.03319},
year = {2018}
}
备注
11 pages, 5 figures, in press in Phys. Rev. Materials