加州大学圣地亚哥分校(UCSD)的纳米工程师开发了一种新的机器学习(ML)方法,该方法使用低质量的数据来预测材料的特性,其精度比现有模型更高。
加州大学圣地亚哥分校的Shyue Ping Ong表示,这种方法可以“结合大量的低保真度数据和较小的高保真度数据,以提高模型在高值预测中的准确性。”
UCSD团队检测了材料的带隙,以确定其导电性和其他特性,作为概念证明;与单保真度模型相比,他们的多保真度图网络使实验带隙预测的平均绝对误差减少了22%到45%。
该方法还能准确预测高保真分子能量,并可生成无序化合物的预测模型。
Ong说:“现在我们能够在有序和无序材料的整个空间中进行材料发现和预测,而不仅仅是有序材料。”
从加州大学圣地亚哥新闻中心
查看全文
版权所有©2021SmithBucklin,美国华盛顿特区
没有发现记录