上海交大JCTC | 基于融合架构的深度学习模型的理性设计：材料属性预测的新进展

文章预览

英文原题： Rational Design of Deep Learning Networks Based on a Fusion Strategy for Improved Material Property Predictions 通讯作者： 汪洪、张澜庭、惠健（上海交通大学） 作者： Hongwei Du (杜红伟), Jian Hui (惠健)*, Lanting Zhang (张澜庭)*, and Hong Wang (汪洪)* 机器学习在预测材料属性方面的成功在很大程度上取决于模型的设计。然而，目前材料科学中深度学习模型的设计存在以下突出问题。首先，模型设计缺乏理性的指导策略，严重依赖大量的试错。其次，众多深度学习模型在不同领域中被利用，各有优缺点，但是缺乏整合这些模型的融合策略。为了解决这些问题，我们认为主要原因是缺乏一种富有物理洞察力的新反馈方法。 图1. 深度学习模型的理性设计流程。 在本研究中，我们 基于融合策略开发了一种名为化合物在不同阈值下的化学环境聚类向量（CECV）的富有物理洞察力 ………………………………