基于结构的分布外（OOD）材料属性预测：一项基准研究
材料科学
2024-01-17 v1 机器学习
摘要
在现实世界的材料研究中，机器学习（ML）模型通常被期望预测和发现偏离已知材料的新型特殊材料。因此，迫切需要对 ML 模型在预测分布外（OOD）材料属性方面的性能进行客观评估，这些材料不同于训练集分布。传统的材料属性预测模型性能评估通过随机分割数据集进行，由于典型材料数据集固有的冗余性，经常导致人为的高性能评估。在此，我们提出了一项关于基于结构的图神经网络（GNNs）用于外推性 OOD 材料属性预测的综合基准研究。我们针对 MatBench 研究中的三个基准数据集，制定了五类不同的 OOD ML 问题。我们广泛的实验表明，与 MatBench 研究中的基线相比，当前最先进的 GNN 算法在 OOD 属性预测任务上的平均表现显著不足，这表明在实际材料预测任务中存在关键的泛化差距。我们进一步检查了这些 GNN 模型的潜在物理空间，确定了 CGCNN、ALIGNN 和 DeeperGATGNN 比 MatBench 研究中当前最佳模型（coGN 和 coNGN）具有显著更稳健 OOD 性能的来源，并提供了提高其性能的见解。
引用
@article{arxiv.2401.08032,
title = {Structure-based out-of-distribution (OOD) materials property prediction: a benchmark study},
author = {Sadman Sadeed Omee and Nihang Fu and Rongzhi Dong and Ming Hu and Jianjun Hu},
journal= {arXiv preprint arXiv:2401.08032},
year = {2024}
}
备注
21 pages