Kolmogorov-Arnold Networks Applied to Materials Property Prediction
Deze studie evalueert Kolmogorov-Arnold-netwerken (KANs) voor het voorspellen van 33 diverse materiaaleigenschappen, waarbij wordt vastgesteld dat hoewel standaard KANs vaak onderpresteren in vergelijking met Random Forests en meer afstemming vereisen, geoptimaliseerde KAN-architecturen en de daaruit voortvloeiende interpreteerbare gesloten vorm-expressies een nauwkeurigheid kunnen bereiken die vergelijkbaar is met gevestigde modellen met aanzienlijk minder parameters en minimale domeinkennis.