基于卷积神经网络模型中梯度与特征分析的材料性能优化与预测机理研究

材料信息学作为材料领域一种新的研究方法,引起了国内外广泛的关注。随着材料数据的快速增加,机器学习方法也越来越多地被应用在材料数据的分析中,并有望从大量的材料数据中获取具有指导性的材料学规律。采用卷积神经网络模型,使用从材料数据库中收集得到的4000多种材料的数据,对材料的形成能进行预测并得到了较为准确的预测结果。随后对材料特征矩阵的梯度进行分析,发现了梯度与材料性能间有一定的相关性,并可在梯度矩阵的指导下找到具有目标性能的材料特征矩阵分布。最后对卷积神经网络中识别出的特征模式进行了分析,进一步验证了卷积神经网络具有较好的材料性能预测能力。

基于样本冗余控制的材料属性机器学习预测模型

当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。