Ai赋能材料

论文简介

机器学习模型可以提供快速准确的材料属性预测，但往往缺乏透明度。可解释技术可以与黑盒解决方案一起使用，或者可以创建直接可解释的模型。作者回顾了几部作品中使用的材料数据集，并证明可以创建非线性基函数的简单线性组合，其精度可与最初使用的核和神经网络方法相媲美。线性解可以准确地预测透明导电氧化物的能带和生成能、过渡金属配合物的自旋态和钾冰晶石结构的生成能。作者将展示线性解如何提供可解释的预测模型，并强调当一个模型可以从其系数和函数形式直接理解时，可以发现的新见解。此外，还讨论了如何识别内在可解释的解决方案可能是可解释的最佳途径。

图文导读

图1.n-gram代表示意图

图2.氧化铝晶型的变量贡献

图3.KRRTCO模型的PD、ICE和相互作用。

图4.对元素周期表上D点的生成能的贡献

图5.CaSrCs2F6的变量贡献

图6.过渡金属配合物的模型系数和数据集分布。

图7.一个PD,ICE和交互检测模拟数据的例子。

作者信息

参考引用：

AllenAEA,TkatchenkoA.Machinelearningofmaterialproperties:Predictiveandinterpretablemultilinearmodels[J].ScienceAdvances,,8(18):eabm.

原文链接：

转载请注明:http://www.aideyishus.com/lktp/508.html