工程師使用圖形網(wǎng)絡準確預測分子和晶體的特性

加州大學圣地亞哥分校的納米工程師開發(fā)了新的深度學習模型，可以準確預測分子和晶體的特性。通過實現(xiàn)幾乎瞬時的屬性預測，這些深度學習模型為研究人員提供了快速掃描幾乎無限的化合物的手段，以發(fā)現(xiàn)各種技術(shù)應用的潛在變革材料，如高能量密度鋰離子電池，暖白色LED和更好的光伏發(fā)電。

為了構(gòu)建他們的模型，由加州大學圣地亞哥雅各布斯工程學院的納米工程教授Shyue Ping Ong領導的團隊使用了一種新的深度學習框架，稱為圖形網(wǎng)絡，由Google DeepMind開發(fā)，是AlphaGo和AlphaZero背后的大腦。圖形網(wǎng)絡有可能擴展現(xiàn)有AI技術(shù)的功能，以有限的經(jīng)驗和知識執(zhí)行復雜的學習和推理任務 - 人類擅長的東西。

對于像Ong這樣的材料科學家來說，圖形網(wǎng)絡提供了一種自然的方式來表示分子或晶體中原子之間的鍵合關(guān)系，并使計算機能夠了解這些關(guān)系如何與其化學和物理特性相關(guān)。

Ong的團隊稱為MatErials Graph Network(MEGNet)模型的新圖形網(wǎng)絡模型在預測QM9數(shù)據(jù)集中133,000個分子的13個屬性中的11個方面表現(xiàn)優(yōu)于現(xiàn)有技術(shù)。該團隊還在材料項目中對大約60,000個晶體進行了MEGNet模型的培訓。這些模型在預測晶體的形成能，帶隙和彈性模量方面優(yōu)于先前的機器學習模型。

該團隊還展示了兩種克服材料科學和化學數(shù)據(jù)限制的方法。首先，該團隊表明，圖形網(wǎng)絡可用于統(tǒng)一多個自由能模型，從而使訓練數(shù)據(jù)多次增加。其次，他們表明他們的MEGNet模型可以有效地學習周期表中元素之間的關(guān)系。然后，可以傳輸來自在大數(shù)據(jù)集上訓練的屬性模型的機器學習信息，以用較少量的數(shù)據(jù)來改進屬性模型的訓練和準確性 - 這種概念在機器學習中被稱為轉(zhuǎn)移學習。