Self-supervised learning for glass composition screening

M. Chen

doi:10.1016/j.actamat.2025.121509

Self-supervised learning for glass composition screening

2025-09-20

0

PRE

AI

DOI：10.1016/j.actamat.2025.121509

原文链接

原文求助

摘要

En 中文

玻璃组成筛选对于推进新型玻璃材料至关重要，但多元组分系统的固有复杂性带来了显著挑战。针对此项任务，当前监督学习方法高度依赖大量高质量数据，且易在噪声样本上发生过拟合，从而限制了其泛化能力。本研究提出了一种新型自监督学习框架，专门用于在预定义的玻璃转变温度范围内筛选玻璃组成。我们将筛选任务重新表述为分类问题，旨在预测给定组成的玻璃转变温度是否落入目标区间。为提高模型对噪声的鲁棒性，我们引入了一种基于渐近理论的数据增强策略。此外，我们提出了DeepGlassNet，一种专门开发的网络架构，用于捕捉和分析玻璃组成中组分元素间的复杂相互作用。实验结果表明，DeepGlassNet相较于传统方法实现了更优的筛选精度，并展现出对其他与组成相关的筛选任务的良好适应性。本研究不仅为设计多元组分玻璃提供了高效方法，也为自监督学习在材料发现中的应用奠定了基础。代码和数据可访问：https://github.com/liubin06/DeepGlassNet。

Self-supervised learning for glass composition screening

摘要

期刊

机构

引用论文