迁移学习助力聚合物-表面粘附强度的预测
软凝聚态物质
2023-01-06 v1
摘要
机器学习（ML）加速了材料性质及其与底层分子结构关联的探索。在先前工作 [J. Shi, M. J. Quevillon, P. H. A. Valen\c{c}a, and J. K. Whitmer, \textit{ACS Appl. Mater. Interfaces.}, 2022, 14, 32, 37161--37169] 中，ML 模型被应用于从序列数据高精度预测聚合物—表面相互作用的粘附自由能，展示了针对已知表面组成进行聚合物序列逆向设计的成功。尽管该方法在为已知表面设计聚合物方面表现成功，但为每个特定表面训练代理模型都需要大量数据集。理想情况下，应当能够推断相似表面的信息，而无需为每个新情况重新生成完整的粘附数据。在当前工作中，我们展示了一种使用深度神经网络的迁移学习（TL）技术，通过在相关系统的大数据库上预训练并用少量额外数据微调所有层的权重，来提高在小数据集上训练的 ML 模型的准确率。预训练模型的共享知识显著提升了小数据集上的预测精度。我们还探索了数据库规模对准确率的极限，以及针对我们学习任务的最优网络架构与参数调优。虽然应用于相对简单的粗粒化（CG）聚合物模型，本研究的普遍结论适用于详细建模研究及更广义的逆向材料设计问题。
引用
@article{arxiv.2301.02219,
title = {Transfer Learning Facilitates the Prediction of Polymer-Surface Adhesion Strength},
author = {Jiale Shi and Fahed Albreiki and Yamil J. Colón and Samanvaya Srivastava and Jonathan K. Whitmer},
journal= {arXiv preprint arXiv:2301.02219},
year = {2023}
}