Self-supervised learning for crystal property prediction via denoising

要約

結晶材料の特性を正確に予測することは、目的を絞った発見にとって極めて重要であり、この予測はデータ駆動型モデルを使用して行われることが増えています。
ただし、関心のある多くの特性について、特定の特性が決定されている材料の数は、既知の材料の数よりもはるかに少ないです。
この不均衡を克服するために、材料特性予測のための新しい自己教師あり学習 (SSL) 戦略を提案します。
私たちのアプローチである結晶ノイズ除去自己教師あり学習 (CDSSL) は、構造の摂動バージョンが与えられた場合に有効な材料構造を回復することに基づく口実タスクを使用して、予測モデル (グラフ ネットワークなど) を事前トレーニングします。
CDSSL モデルは、マテリアル タイプ、プロパティ、データセット サイズにわたって、SSL なしでトレーニングされたモデルよりも優れたパフォーマンスを発揮することを実証します。

要約(オリジナル)

Accurate prediction of the properties of crystalline materials is crucial for targeted discovery, and this prediction is increasingly done with data-driven models. However, for many properties of interest, the number of materials for which a specific property has been determined is much smaller than the number of known materials. To overcome this disparity, we propose a novel self-supervised learning (SSL) strategy for material property prediction. Our approach, crystal denoising self-supervised learning (CDSSL), pretrains predictive models (e.g., graph networks) with a pretext task based on recovering valid material structures when given perturbed versions of these structures. We demonstrate that CDSSL models out-perform models trained without SSL, across material types, properties, and dataset sizes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google