El aprendizaje automático sube la escalera de Jacob de propiedades optoelectrónicas

Área de la Ciencia:

• Ciencias de los materiales computacionales
• Aplicaciones de aprendizaje automático
• Química cuántica

Sus antecedentes:

• Los modelos de aprendizaje automático (ML) para predecir propiedades optoelectrónicas están limitados por conjuntos de datos de entrenamiento calculados utilizando la aproximación de partículas independientes (IPA).
• Los métodos de mayor precisión como la aproximación de fase aleatoria (RPA) ofrecen mejores datos, pero son computacionalmente caros, lo que limita el tamaño del conjunto de datos.

Objetivo del estudio:

• Investigar la eficacia del aprendizaje por transferencia en la mejora de los modelos de ML para la predicción de propiedades optoelectrónicas.
• Demostrar cómo los modelos ML pueden ajustarse utilizando datos RPA de alta fidelidad limitados para superar las limitaciones de los conjuntos de datos basados en IPA.

Principales métodos:

• Utilizó una arquitectura de red de atención gráfica para predicciones de ML.
• Entrenado un modelo inicial en un gran conjunto de datos de 10.000 cálculos de aproximación de partículas independientes (IPA).
• Ajuste fino del modelo utilizando un conjunto de datos más pequeño de aproximadamente 300 cálculos de aproximación de fase aleatoria (RPA).

Principales resultados:

• El ajuste fino con un pequeño conjunto de datos RPA mejoró significativamente la precisión de la predicción, acercándose a la de los modelos entrenados en un gran conjunto de datos RPA (6000 espectros).
• El aprendizaje de transferencia demostró el valor de los datos de alta fidelidad, incluso en pequeñas cantidades, para mejorar las predicciones de propiedades ópticas.
• El modelo mostró una generalización efectiva a células unitarias más grandes después de volver a entrenar los datos de RPA de células unitarias más pequeñas, lo que indica una amplia escalabilidad.

Conclusiones:

• El aprendizaje por transferencia es una estrategia viable para mejorar los modelos de aprendizaje automático para propiedades optoelectrónicas mediante la incorporación de datos de alta fidelidad.
• Incluso los cálculos limitados de RPA pueden mejorar sustancialmente el rendimiento y la precisión del modelo ML.
• El enfoque desarrollado demuestra escalabilidad y potencial para aplicaciones más amplias en el descubrimiento y diseño de materiales.