增强晶体图卷积神经网络用于预测高度不平衡的数据:金属绝缘体过渡材料的案例研究
Eun Ho Kim1, Jun Hyeong Gu1, June Ho Lee1
1Department of Materials Science and Engineering (MSE), and Division of Advanced Materials Science (AMS), Pohang University of Science and Technology (POSTECH), Pohang 37673, South Korea.
ACS applied materials & interfaces
|August 9, 2024
概括
机器学习对不平衡的材料科学数据具有挑战性. 深度学习框架Boosting-CGCNN有效地预测少数类金属绝缘体过渡材料,优于其他方法.
科学领域:
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 材料科学中不平衡的数据集对机器学习构成挑战.
- 像过量采样这样的现有方法可能会导致信息丢失或过度拟合.
研究的目的:
- 开发一个深度学习框架来预测少数类材料,重点是金属绝缘体过渡 (MIT) 材料.
- 为了解决材料数据中的极端类不平衡.
主要方法:
- 引入了增强-CGCNN,将晶体图卷积神经网络 (CGCNN) 与梯度增强相结合.
- 顺序构建一个更深层的神经网络来处理阶级不平衡.
主要成果:
- 提升-CGCNN模型有效地处理了麻省理工学院材料数据中的极端阶级不平衡.
- 通过比较评估,与现有方法相比,表现出优异的性能.
结论:
- 提升-CGCNN为处理材料科学中不平衡的数据集提供了一个有希望的解决方案.
- 该框架对于预测像麻省理工学院材料这样的少数类材料特别有效.
更多相关视频
09:49In Situ Transmission Electron Microscopy with Biasing and Fabrication of Asymmetric Crossbars Based on Mixed-Phased a-VOx
Published on: May 13, 2020
4.0K
13:56Probe Type II Band Alignment in One-Dimensional Van Der Waals Heterostructures Using First-Principles Calculations
Published on: October 12, 2019
7.6K
