.png){kind=icon}
返回
Machine Learning Assisted Material Discovery: A Small Data Approach
.png){kind=icon}
PRE
AI
DOI：10.1021/accountsmr.1c00236.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概览 数据驱动的范式，以著名的机器学习范式为代表，正在改变材料发现的方式。数据驱动方法的自下而上的特性使其具有极高的预测速度，但也带来了对材料数据的严重依赖。然而，与它在文本和图像领域（由大数据支持）的成功不同，材料数据往往属于小数据。构建大型材料数据库是一个很好的解决方案，但并非长久之计。材料数据的成本远高于文本或图像，且目前材料数据库的规模远远不足。未来很长一段时间内，我们仍将面临材料数据的短缺，使得小数据方法对于基于机器学习的材料发现成为必要。在这篇综述中，我们重点关注过去几年发展起来的小数据策略及其应用场景。在第一部分，我们讨论两种通用策略：主动学习和迁移学习，它们分别是高效添加新数据和利用现有数据的方法。主动学习的关键在于采样策略，它决定了机器学习模型的收敛速度和预测范围。对于迁移学习，我们介绍了对抗训练以扩展该策略的范围，允许跨材料和性质的知识迁移。我们还讨论了针对特殊情况的其它小数据方法，例如零初始数据的材料搜索和多源实验数据上的模型训练。在第二部分，我们关注材料描述符的构建及其降维。我们开发了一种基于晶体图的特殊描述符，专门用于二维材料。它可以编码结构和原子信息，并且具有灵活的多层格式以适应不同的目标性质。由于材料描述符的维度受限于数据量，我们也讨论了专门设计的降维策略。在第三部分，我们讨论模型可解释性。给出了几个例子来说明如何使用基于模型和基于数据的解释策略来帮助我们理解机器学习模型及其预测结果。综述最后展望了生成式人工智能（特别是大型语言模型和扩散模型）和可解释人工智能的最新发展，它们可能是未来机器学习辅助材料发现的强大工具。
Keyword:
machine learning
materials discovery
small data
active learning
transfer learning
期刊
IF:
14.7
论文数:
657
被引数:
5.2K
机构
引用论文
Perspective: Materials informatics and big data: Realization of the fourth paradigm of science in materials science透视: 材料信息学与大数据: 第四科学范式在材料科学中的实现.png)
APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏Inverse design of promising electrocatalysts for CO2 reduction via generative models and bird swarm algorithm通过生成模型和鸟群算法对CO2还原的潜在电催化剂进行逆向设计NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏MatGPT: A Vane of Materials Informatics from Past, Present, to FutureMatGPT: 材料信息学从过去、现在到未来的风向标ADVANCED MATERIALS
ADVANCED MATERIALSIF26.8
PREAI
分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测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Accurate energy prediction of large-scale defective two-dimensional materials via deep learning
PREAI
分享收藏Accelerated discovery of CO2 electrocatalysts using active machine learning使用主动机器学习加速发现CO2电催化剂Nature
NatureIF48.5
PREAI
分享收藏The Computational 2D Materials Database: high-throughput modeling and discovery of atomically thin crystals2D MaterialsOAAI
2D MaterialsIF0
OAAI分享收藏Accelerated discovery of stable lead-free hybrid organic-inorganic perovskites via machine learning通过机器学习加速发现稳定的无铅杂化有机-无机钙钛矿NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏
查看更多内容