面向无机化学组成的深度生成模型研究
机器学习
2019-10-28 v1 材料科学
计算物理
摘要
基于生成对抗网络（GANs）和变分自编码器（VAEs）的生成模型已在图像生成、语音生成和药物发现领域被广泛研究，但仅有少数研究关注无机材料的生成。此类研究使用材料的晶体结构，但材料研究者很少存储这些信息。因此，我们在不使用晶体信息的情况下生成化学组成。我们使用条件 VAE（CondVAE）和条件 GAN（CondGAN），并表明使用带有物理描述符的原子袋表示的 CondGAN 比其他生成模型生成更好的组成。此外，我们评估了基于 Metropolis-Hastings 的原子价态修改的有效性以及外推性能，这对材料发现十分重要。
引用
@article{arxiv.1910.11499,
title = {Study of Deep Generative Models for Inorganic Chemical Compositions},
author = {Yoshihide Sawada and Koji Morikawa and Mikiya Fujii},
journal= {arXiv preprint arXiv:1910.11499},
year = {2019}
}
备注
10 pages