深度学习何时失效及如何应对？对聚合物序列-性质代理模型的批判性分析
材料科学
2022-10-14 v1 机器学习
摘要
深度学习模型在预测聚合物性质方面正获得日益广泛的关注和效力。这些模型可利用已有数据构建，并可用于聚合物性质的快速预测。然而，深度学习模型的性能与其拓扑结构及训练数据量密切相关。目前尚无简便的协议可用于选择深度学习架构，且缺乏大体积的均相聚合物序列-性质数据。这两个因素构成了深度学习模型高效开发的主要瓶颈。在此我们评估了这些因素的严重程度并提出了新算法以解决它们。我们表明，神经网络的逐层线性扩展有助于为给定问题确定最佳神经网络拓扑。此外，我们使用机器学习流水线将聚合物的离散序列空间映射到连续的一维潜空间，以识别构建通用深度学习模型所需的最小数据点。我们在构建序列-性质代理模型的三个代表性案例中实施了这些方法，即共聚物的单分子回转半径、共聚物的粘附自由能和共聚物增容剂，证明了所提策略的通用性。本工作建立了以最少数据和超参数构建通用深度学习模型以预测聚合物序列定义性质的高效方法。
引用
@article{arxiv.2210.06622,
title = {When does deep learning fail and how to tackle it? A critical analysis on polymer sequence-property surrogate models},
author = {Himanshu and Tarak K Patra},
journal= {arXiv preprint arXiv:2210.06622},
year = {2022}
}