.png){kind=icon}
返回
Data-efficient Machine Learning for Polymer Informatics
.png){kind=icon}
PRE
AI
DOI：10.1007/s10118-025-3401-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聚合物信息学面临挑战，源于复杂化学、实验限制和加工依赖性所导致的数据稀缺。本文综述了聚合物数据高效机器学习的最新进展。首先，数据准备技术（如数据增强和合理表征）有助于扩大数据集规模并开发用于学习的有用特征。其次，建模方法（包括经典算法和物理信息方法）在有限数据条件下增强了模型的鲁棒性和可靠性。第三，学习策略（如迁移学习和主动学习）旨在提高泛化能力并指导高效的数据获取。本文最后概述了聚合物小数据场景下机器学习的未来机遇。本文旨在为该领域的新手提供有用的工具，并为经验丰富的研究人员提供更深入的见解。
Keyword:
Polymer informatics
Machine learning
Data efficiency
Structure-property relationship
期刊
C
IF:
4
论文数:
3.3K
被引数:
4.7K
机构
引用论文
Heat-Resistant Polymer Discovery by Utilizing Interpretable Graph Neural Network with Small Data.png)
MACROMOLECULES
MACROMOLECULESIF5.2
PREAI
分享收藏Multitask Machine Learning to Predict Polymer-Solvent Miscibility Using Flory-Huggins Interaction Parameters使用flory-huggins相互作用参数预测聚合物-溶剂混溶性的多任务机器学习MACROMOLECULES
OAAI
MACROMOLECULESIF5.2
OAAI分享收藏Atomistic Line Graph Neural Network for improved materials property predictions用于改进材料性能预测的原子线图神经网络
OAAI
OAAI分享收藏Predicting Materials Properties with Little Data Using Shotgun Transfer Learning使用shot弹枪迁移学习在少量数据的情况下预测材料特性ACS CENTRAL SCIENCEOAAI
ACS CENTRAL SCIENCEIF10.4
OAAI分享收藏Efficient exploration of compositional space for high-performance copolymers via Bayesian optimizationCHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏
查看更多内容