UNATE：用于晶体结构性质预测的无监督原子嵌入
机器学习
2026-05-26 v1 材料科学
经典物理
摘要
准确预测晶体性质是加速材料发现的关键，但常受限于稀缺的标记数据和高昂的理论计算成本。为缓解这一问题，我们提出了UNATE（Unsupervised Atomic Embedding，无监督原子嵌入），一个利用从无标签晶体结构中提取的结构信息的框架。UNATE将无监督去噪自动编码器与自监督对比学习集成，以学习鲁棒的原子表征，这些表征随后用作下游性质预测的输入特征。实验结果表明，用UNATE预训练的节点嵌入替换原始原子编号，可相对于完全数据基线提高2.7%。值得注意的是，在标记数据有限的场景下，优势更为显著，仅使用25%的标记数据时，改进幅度可达最高10%。
引用
@article{arxiv.2605.25866,
title = {UNATE: UNsupervised ATomic Embedding for crystal structures property prediction},
author = {Laura Solà-Garcia and Àlex Solé and Javier Ruiz-Hidalgo},
journal= {arXiv preprint arXiv:2605.25866},
year = {2026}
}