SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction
SynCoTrain 是一种半监督机器学习框架，它利用结合了双图神经网络（SchNet 和 ALIGNN）与正非标签学习（Positive-Unlabeled learning）的协同训练策略，旨在克服数据稀缺性并准确预测氧化物晶体的可合成性，从而推动高通量材料的发现。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：科学家就像顶级大厨，但他们不是在准备晚餐，而是在尝试发明面向未来的全新食材。他们想要创造出能够治愈疾病、储存太阳能或净化空气的新型材料。问题在于，宇宙拥有近乎无限的“食材库”，但其中大多数只是“理论食谱”——那些在纸面上看起来很完美，但在现实厨房里可能根本无法烹饪出来的点子。几十年来，科学家们试图通过简单的经验法则或检查这些成分在能量上是否稳定来猜测哪些食谱可行。但事实证明，一个食谱即使能量非常稳定，也可能因为“烹饪过程”过于复杂，或者制造它的工具尚未问世，而变得无法实现。这就是“可合成性”（synthesizability）的棘手谜题：弄清楚哪些新材料是可以在实验室中真正构建出来的，而哪些仅仅是计算机中的幽灵。
SynCoTrain 应运而生，这是一个旨在破解这一谜题的新型数字侦探。把它想象成由两位截然不同的专家组成的团队——一位“化学家”和一位“物理学家”——他们正试图猜出在一百万个神秘盒子中，哪些装有真实的、可构建的材料。难点在于，他们手里只有一份已知是可构建材料的清单（“正向”列表），以及一大堆没有任何标签的神秘盒子。他们并没有一份“失败”材料的清单，因为在科学领域，没有人会发表失败的实验结果。为了解决这个问题，SynCoTrain 使用了一种被称为“协同训练”（co-training）的巧妙技巧。这两位专家从不同的角度观察这些神秘盒子：化学家（使用名为 ALIGNN 的模型）观察原子如何结合以及它们之间的角度；而物理学家（使用 SchNet 模型）则观察能量与结构的连续流动。他们轮流向对方传授经验：“嘿，我觉得这个盒子是个赢家！”然后另一方进行检查：“我同意，把它加入我们的已知赢家名单吧。”通过在多轮中交换笔记并不断完善他们的猜测，他们比任何单一的模型都更擅长识别真实的材料。
研究表明，这种团队协作的方法效果惊人地好。当他们在被称为“氧化物”（从铁锈到陶瓷，这类材料无处不在）的一个特定材料家族上测试该系统时，该模型成功识别出了几乎所有已知是可构建的材料。事实上，它实现了 95% 到 97% 的“召回率”（recall），这意味着它极少错过真正的成功案例。然而，它也学会了保持挑剔：在它观察的所有神秘盒子中，它仅将约 21% 标记为可能具有可合成性。这是一件好事，意味着该模型并不会对所有东西都盲目猜测“是”。它还注意到，能量较高（高于“凸包/convex hull” 1 eV 以上，这是衡量极不稳定的一个高级说法）的材料被判定为可合成的可能性要低 2.5 倍，这证明该模型理解稳定性至关重要，尽管它并未被明确教授过这条规则。
研究人员并没有止步于此。他们利用这个全新的“专家团队”为海量的理论数据进行标注，创建了一个新的、高质量的训练集。随后，他们利用这个新数据训练了一个最终的、超级智能的预测器（使用 SchNet 模型）。这个最终工具在三个它从未见过的不同材料数据库上进行了测试。它发现，虽然某些数据库（如 Open Quantum Materials Database）中“可能具有可合成性”的晶体数量大约是预期的两倍，但其他数据库（如由 AI 工具 iMatgen 生成的数据库）则大多是“无法构建”的，得分集中在零附近。论文指出，虽然这个工具并不完美，也无法百分之百地预知未来，但它是一个强大的过滤器。它可以帮助科学家跳过数百万个“幽尸食谱”，将时间和精力集中在少数几百个真正可能成功的材料上，从而在发现未来材料的竞赛中节省大量资源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。