Enhancing material property prediction with ensemble deep graph convolutional networks

要約

機械学習 (ML) モデルは、組成および構造データから特性を正確に予測できるようにすることで、材料の発見と設計を加速する強力なツールとして登場しました。
これらの機能は、エネルギー、エレクトロニクス、生物医学などの分野にわたる先進技術の開発に不可欠であり、新材料の探査に必要な時間とリソースを削減し、迅速なイノベーションサイクルを促進する可能性があります。
最近の取り組みは、深層学習ベースのグラフ ニューラル ネットワークを含む高度な ML アルゴリズムを特性予測に採用することに重点を置いています。
さらに、アンサンブル モデルは、ML と DL の一般化性と堅牢性を強化することが証明されています。
ただし、材料特性を予測するためのディープ グラフ ネットワークでのこのようなアンサンブル戦略の使用については、まだ研究が進んでいません。
私たちの研究は、特に材料特性予測タスクを対象とした、深層学習ベースのグラフ ニューラル ネットワークにおけるアンサンブル戦略の詳細な評価を提供します。
Crystal Graph Convolutional Neural Network (CGCNN) とそのマルチタスク バージョンである MT-CGCNN をテストすることにより、アンサンブル手法、特に予測平均化により、原子あたりの生成エネルギー ($\Delta E^
33,990 個の安定した無機材料の {f}$)、バンドギャップ ($E_{g}$)、および密度 ($\rho$)。
これらの発見は、現場での予測精度を高めるためのアンサンブル手法の幅広い応用を裏付けています。

要約(オリジナル)

Machine learning (ML) models have emerged as powerful tools for accelerating materials discovery and design by enabling accurate predictions of properties from compositional and structural data. These capabilities are vital for developing advanced technologies across fields such as energy, electronics, and biomedicine, potentially reducing the time and resources needed for new material exploration and promoting rapid innovation cycles. Recent efforts have focused on employing advanced ML algorithms, including deep learning – based graph neural network, for property prediction. Additionally, ensemble models have proven to enhance the generalizability and robustness of ML and DL. However, the use of such ensemble strategies in deep graph networks for material property prediction remains underexplored. Our research provides an in-depth evaluation of ensemble strategies in deep learning – based graph neural network, specifically targeting material property prediction tasks. By testing the Crystal Graph Convolutional Neural Network (CGCNN) and its multitask version, MT-CGCNN, we demonstrated that ensemble techniques, especially prediction averaging, substantially improve precision beyond traditional metrics for key properties like formation energy per atom ($\Delta E^{f}$), band gap ($E_{g}$) and density ($\rho$) in 33,990 stable inorganic materials. These findings support the broader application of ensemble methods to enhance predictive accuracy in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google