ACM通信
ACM TechNews
ML方法利用低质量数据更好地预测材料性能
加州大学圣地亚哥材料虚拟实验室的纳米工程师开发了一种机器学习方法，可以比现有模型更精确地预测材料的特性。
图片来源:加州大学圣地亚哥分校
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