详细内容或原文请订阅后点击阅览
AI使用外推学习来掌握现有数据以外的材料预测
一个研究小组已经开发了一种创新的机器学习技术，该技术可以超出培训数据的分布，并证明其在材料研究中的有效性。该团队包括JSR Corporation的研究人员Kohei Noda和统计数学研究所的Ryo Yoshida教授。
来源:英国物理学家网首页一个研究小组已经开发了一种创新的机器学习技术，该技术可以超出培训数据的分布，并证明其在材料研究中的有效性。该团队包括JSR Corporation的研究人员Kohei Noda和统计数学研究所的Ryo Yoshida教授。
材料科学的最终目标是在不存在数据的未开发域中发现新材料。但是，机器学习做出的预测通常是插值的，其适用性通常仅限于接近现有数据分布的区域。此外，在材料研究中，数据获取的高成本使得很难获得足够的培训数据，因此需要探索可用数据范围。
机器学习为了应对这一挑战，研究小组开发了一种称为E2T的机器学习算法（外发情节培训）。在E2T中，使用来自可用数据集的大量人工产生的外推任务进行了训练，该模型被称为元学习者。结果，该模型自主地学习了一种进行外推预测的学习方法。
在这项研究中，E2T应用于材料属性预测任务，即使对于培训数据中没有元素和结构特征的材料，也证明了高预测精度。此外，揭示了接受大量外推任务训练的模型可以迅速在未知域中获得只有少量其他数据的未知域中的预测能力。
这些研究结果于2月22日发表在2025年2月22日的通讯材料中。
已发布 通信材料