新方法使用低質量數據可以更好地預測材料性能

能源技術，醫療保健，半導體和食品生產方面的進步都有一個共同點：它們依靠開發具有特殊性質的新材料(原子的新組合)來執行所需的功能。在不太遙遠的過去，知道材料具有什么特性的唯一方法是通過執行實驗測量或使用非常昂貴的計算。

最近，科學家一直在使用機器學習算法來快速預測原子的某些排列所具有的特性。這種方法的挑戰在于，它需要大量高度準確的數據來訓練模型，而這種數據通常不存在。

通過將大量的低保真數據與少量的高保真數據相結合，圣地亞哥加州大學材料虛擬實驗室的納米工程師開發了一種新的機器學習方法，可以比現有模型更準確地預測材料的特性。至關重要的是，他們的方法也是第一個預測無序材料性質的方法，這些無序材料的原子位點可能被多個元素占據或處于空位狀態。他們在1月14日的《自然計算科學》中詳細介紹了其多保真度圖網絡方法。

加州大學圣地亞哥分校的納米工程教授Shyue Ping Ong說：“在設計新材料時，您想知道的關鍵一件事是該材料是否可能穩定，以及它具有什么樣的性能。” Diego Jacobs工程學院和該論文的通訊作者。“根本的問題是，即使我們擁有計算性能較差的大型數據庫，也很難獲得有價值的準確數據(例如實驗測量值)。在這里，我們試圖同時兼顧兩者之間的優勢-保真度數據和較小的高保真度數據，以提高模型在高價值預測中的準確性。”

盡管存在其他多保真度方法，但是這些方法無法很好地擴展或僅限于兩個數據保真度。它們不像這種新的多保真度圖形網絡方法那樣準確或動態，該方法可以使用無限數量的數據保真度，并且可以非常迅速地擴展。

在本文中，納米工程師特別關注了材料的帶隙(一種用于確定電導率，材料的顏色，太陽能電池效率等的特性)作為概念驗證。與傳統的單保真度方法相比，他們的多保真度圖網絡導致實驗帶隙預測的平均絕對誤差降低了22-45%。研究人員還表明，他們的方法還可以準確預測高保真分子能量。