对于材料发现的密度感知主动学习:对功能化纳米孔状材料的案例研究

科学领域:

• 化学和材料科学 化学和材料科学
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 高性能机器学习需要大量的数据集,这些数据集在化学和材料科学等领域的获取是昂贵和耗时的.
• 积极学习 (AL) 方法通过代选择信息样本来减少数据需求,但由于不确定性估计和连续输出空间,回归任务存在独特的挑战.

研究的目的:

• 为大型设计空间的回归任务制定有效的积极学习策略.
• 为了最大限度地减少训练数据集大小,同时保持机器学习模型的预测准确度.

主要方法:

• 引入了密度感知贪采样 (DAGS),这是一个积极学习的回归算法.
• 综合不确定性估计与数据密度以指导样本选择.
• 对用于分离应用的纳米孔材料 (MOF,COF) 的合成和现实数据集进行了评估.

主要成果:

• DAGS的表现始终优于随机抽样和现有的最先进的积极学习方法.
• 实现了对显著减少数据点的回归模型的有效训练.
• 即使在高维数据集上也表现出强的性能.

结论:

• 密度意识的贪抽样 (DAGS) 是对回归任务的高效主动学习方法.
• 在材料科学和化学领域,DAGS提供了一种可靠的解决方案来降低数据采集成本.
• 该方法显示了加速发现和优化功能性材料的前景.