相关实验视频
Updated: Jun 2, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
366
提高机器学习潜力的成本效益战略,通过将来自多组件数据集的学习转移到 ænet-PyTorch 上
An Niza El Aisnada1,2, Kajjana Boonpalit2,3, Robin van der Kruit2
1Department of Materials Science and Engineering, School of Materials and Chemical Technology, Tokyo Institute of Technology, 2-12-1 Ookayama, Meguro-ku, Tokyo 152-8552, Japan.
The journal of physical chemistry. C, Nanomaterials and interfaces
|January 15, 2025
概括
转移学习增强了催化剂-吸附剂模拟的机器学习潜力 (MLP),提高了准确性和稳定性,即使数据有限. 这种具有成本效益的方法可以为催化研究提供可靠的材料模拟.
科学领域:
- 计算材料科学科学 计算材料科学
- 催化剂是一种催化剂.
- 机器学习 机器学习
背景情况:
- 机器学习潜力 (MLP) 能够实现高效的材料模拟,但需要大量的初始数据.
- 为催化剂-吸附剂系统构建大型参考数据库在计算上昂贵且具有挑战性.
- 使用有限数据培训MLP可能会导致过度装配和减少实际适用性.
研究的目的:
- 探索一个具有成本效益的转移学习策略,用于为催化剂-吸附剂系统开发准确的MLP.
- 通过利用从公共数据库中预先训练的模型来调查有限的ab initio引用的使用.
- 评估通过转移学习开发的MLPs的可通用性和稳定性.
主要方法:
- 利用2020年开放催化剂项目 (OC20) 数据库进行MLP模型的预训练,使用 ænet-PyTorch 框架.
- 对比了用于转移学习的OC20数据库中选择子集的不同策略.
- 进行分子动力学模拟,以评估开发的MLP的稳定性和准确性.
主要成果:
- 通过转移学习开发的MLP与从头开始训练的MLP相比,表现出更好的通用性和稳定性.
- 转移学习显著提高了CuAu/H2O系统的MLP的准确性和稳定性,约有600个数据点.
- 转移学习方法在CuAu/6H2O的分子动力学模拟中实现了高达250 ps的稳定和准确的预测,超过了没有转移学习的模型.
结论:
- 转移学习为具有有限数据的催化剂-吸附剂系统构建准确的MLP提供了计算成本效益的方法.
- 这一策略提高了MLP在分子动力学模拟中的稳定性和推断能力.
- 拟议的方法促进了材料科学和催化学的更广泛应用,使得模拟更有效.
