Multimodal Learning for Materials

要約

人工知能は計算材料科学を変革し、材料特性の予測を改善し、新しい材料の発見を加速させています。
近年、公開されている資料データリポジトリが急速に成長しています。
この成長には、より多くの材料が含まれるだけでなく、それらに関連する特性の種類と量も増加します。
材料科学における既存の機械学習の取り組みは、主に単一モダリティのタスク、つまり材料と単一の物理特性の間の関係に焦点を当てているため、豊富でマルチモーダルな材料特性のセットを活用していません。
ここでは、材料の基礎モデルの自己教師ありマルチモダリティ トレーニングを可能にする Multimodal Learning for Materials (MultiMat) を紹介します。
私たちは、マテリアル プロジェクト データベースのデータを複数の軸で使用して、フレームワークの可能性を実証します。(i) MultiMat は、困難な材料特性予測タスクに対して最先端のパフォーマンスを達成します。
(ii) MultiMat は潜在空間類似性による新規かつ正確な材料発見を可能にし、所望の特性を持つ安定した材料のスクリーニングを可能にします。
(iii) MultiMat は、新しい科学的洞察を提供する可能性のある、解釈可能な創発的特徴をエンコードします。

要約(オリジナル)

Artificial intelligence is transforming computational materials science, improving the prediction of material properties, and accelerating the discovery of novel materials. Recently, publicly available material data repositories have grown rapidly. This growth encompasses not only more materials, but also a greater variety and quantity of their associated properties. Existing machine learning efforts in materials science focus primarily on single-modality tasks, i.e., relationships between materials and a single physical property, thus not taking advantage of the rich and multimodal set of material properties. Here, we introduce Multimodal Learning for Materials (MultiMat), which enables self-supervised multi-modality training of foundation models for materials. We demonstrate our framework’s potential using data from the Materials Project database on multiple axes: (i) MultiMat achieves state-of-the-art performance for challenging material property prediction tasks; (ii) MultiMat enables novel and accurate material discovery via latent space similarity, enabling screening for stable materials with desired properties; and (iii) MultiMat encodes interpretable emergent features that may provide novel scientific insights.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google