通过使用数据增强策略的深度转移学习来预测小数据上的MOF带间隙
Zhihui Zhang1, Chengwei Zhang1, Yutao Zhang1
1College of Chemical Engineering, Zhejiang University of Technology Hangzhou 310014 China ansu@zjut.edu.cn sheyb@zjut.edu.cn.
RSC advances
|June 8, 2023
概括
机器学习模型现在可以预测基于氨酸的金属有机框架 (MOF) 的带间隙,即使数据有限. 数据增强和转移学习显著提高了对这些复杂材料的预测准确度.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 机器学习 机器学习
背景情况:
- 基于氨酸的金属有机框架 (MOF) 由于其独特的特性,对光能应用具有前景.
- 由于复杂的结构-属性关系和有限的机器学习 (ML) 数据,预测它们的频段差距具有挑战性.
研究的目的:
- 使用小数据集开发精确的ML模型来预测基于氨酸的MOF的带间隙.
- 调查数据增强和转移学习策略的有效性.
主要方法:
- 使用密度函数理论 (DFT) 计算构建了202个基于氨酸的MOF的数据集.
- 应用数据增强技术 (旋转,镜像) 来扩展数据集.
- 在QMOF数据库上预先训练了四个神经网络模型,并通过增强数据集对它们进行了微调.
主要成果:
- 图形卷积网络 (GCN) 模型实现了最低的预测误差 (RMSE:0.2767 eV,MAE:0.1463 eV).
- 旋转和镜像数据增强策略将RMSE降低了38.51%,MAE降低了50.05%.
结论:
- 转移学习和数据增强使得小型训练数据集的MOF能够准确地基于ML进行属性预测.
- 这种方法克服了预测基于氨酸的MOF带间隙的局限性.
更多相关视频
06:45Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior
Published on: March 8, 2024
7.7K
13:56Probe Type II Band Alignment in One-Dimensional Van Der Waals Heterostructures Using First-Principles Calculations
Published on: October 12, 2019
7.7K
相关概念视频
02:27Predicting Molecular Geometry
34.6K
VSEPR Theory for Determination of Electron Pair Geometries
34.6K
02:40MO Theory and Covalent Bonding
10.6K
The molecular orbital theory describes the distribution of electrons in molecules in a manner similar to the distribution of electrons in atomic orbitals. The region of space in which a valence electron in a molecule is likely to be found is called a molecular orbital. Mathematically, the linear combination of atomic orbitals (LCAO) generates molecular orbitals. Combinations of in-phase atomic orbital wave functions result in regions with a high probability of electron density, while...
10.6K