基于晶体图卷积神经网络的迁移学习用于材料信息学
材料科学
2021-02-01 v4 计算物理
摘要
为使机器学习在材料信息学中成功应用，必须克服因数据量不足导致的预测不准确。本研究提出一种使用晶体图卷积神经网络的迁移学习（TL-CGCNN）。此处，TL-CGCNN 先以晶体结构形成能等大数据预训练，再用于以相对较少数据预测目标性质。我们确认 TL-CGCNN 可改善体模量、介电常数与准粒子带隙等各类计算代价高昂、难以构建材料大数据的性质的预测。此外，我们定量观察到，通过 TL-CGCNN 预测目标模型性质随预训练模型训练数据集规模增大而更准。最后，我们确认在目标性质预测（受少量数据困扰）上 TL-CGCNN 优于其他回归方法。因此，我们得出结论：TL-CGCNN 大有前景，同时应编制易于积累且与目标性质相关的材料大数据。
引用
@article{arxiv.2007.09932,
title = {Transfer learning for materials informatics using crystal graph convolutional neural network},
author = {Joohwi Lee and Ryoji Asahi},
journal= {arXiv preprint arXiv:2007.09932},
year = {2021}
}
备注
Published in Comp. Mater. Sci