MT-CGCNN: Die Integration von Crystal Graph Convolutional Neural Networks mit Multitask-Lernen zur Vorhersage von Material Eigenschaften

Die Entwicklung genauer, übertragbarer und rechnerisch kostengünstiger maschineller Lernmodelle kann die Entdeckung und Entwicklung neuer Materialien erheblich beschleunigen. Einige der wichtigsten Herausforderungen bei der Entwicklung solcher Modelle sind: (i) die begrenzte Verfügbarkeit von Materialdaten im Vergleich zu anderen Bereichen, (ii) das Fehlen eines universellen Deskriptors für Materialien, um ihre verschiedenen Eigenschaften vorherzusagen. Die begrenzte Verfügbarkeit von Materialdaten kann durch Transfer Learning bewältigt werden, während das generische Repräsentationsproblem kürzlich von Xie und Grossman [1] gelöst wurde, indem sie ein Kristallgraphik-Convolutional-Neural-Network (CGCNN) entwickelten, das eine einheitliche Darstellung von Kristallen bietet. In dieser Arbeit entwickeln wir ein neues Modell (MT-CGCNN), indem wir CGCNN mit Transfer Learning auf Basis des Multi-Task-Learnings integrieren. Wir zeigen die Effektivität von MT-CGCNN durch die gleichzeitige Vorhersage verschiedener Materialien-Eigenschaften wie Bildungsenergie, Bandlücke und Fermi-Energie für einen breiten Spektrum an anorganischen Kristallen (46774 Materialien). MT-CGCNN ist in der Lage, den Testfehler bei korrelierten Eigenschaften um bis zu 8 % zu reduzieren. Das Modell zeigt auch bei einer Reduktion der Trainingsdaten um 10 % einen geringeren Testfehler als CGCNN. Wir demonstrieren zudem die bessere Leistung unseres Modells durch die Vorhersage von Szenarien im Endnutzerkontext, insbesondere bei der Klassifizierung von Metallen und Nichtmetallen. Diese Ergebnisse ermutigen zur weiteren Entwicklung maschineller Lernansätze, die Multi-Task-Learning nutzen, um die genannten Herausforderungen bei der Entdeckung neuer Materialien zu bewältigen. Wir stellen den Quellcode von MT-CGCNN zur Verfügung, um reproduzierbare Forschung zu fördern.