用于材料发现的符号学习
材料科学
2023-12-20 v1 机器学习
摘要
发现新材料对于解决气候变化、可持续发展和医疗保健领域的挑战至关重要。材料发现中的一项典型任务是在数据库中搜索一种材料，使其目标函数值最大化。该函数的评估往往代价高昂，且可能依赖于模拟或实验。在此，我们介绍了 SyMDis，一种基于符号学习的样本高效优化方法，能够从大型数据库中发现近优材料。SyMDis 的性能与最先进的优化器相当，同时学习可解释的规则以辅助物理和化学验证。此外，SyMDis 学到的规则可泛化至未见过的数据集，并在零样本评估中返回高性能候选材料，这是其他方法难以实现的。
引用
@article{arxiv.2312.11487,
title = {Symbolic Learning for Material Discovery},
author = {Daniel Cunnington and Flaviu Cipcigan and Rodrigo Neumann Barros Ferreira and Jonathan Booth},
journal= {arXiv preprint arXiv:2312.11487},
year = {2023}
}
备注
Accepted at the AI for Accelerated Materials Discovery Workshop, NeurIPS2023