← 最新论文
🔬 材料科学

Systematic Evaluation of Training Data Generation Strategies for Machine Learning-Based Molecular and Materials Property Prediction

本文系统地评估了用于基于机器学习的分子与材料性质预测的各种训练数据获取策略,证明了虽然基于不确定性的采样通常优于其他方法,但最优策略最终取决于模型、数据集与预测任务之间的特定相互作用。

原作者: Minh Nghia Nguyen, Beate Paulus, Akhil S. Nair

发布于 2026-11-13
📖 1 分钟阅读☕ 轻松阅读

原作者: Minh Nghia Nguyen, Beate Paulus, Akhil S. Nair

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

在探索新药、更强电池或更高效太阳能电池的过程中,科学家们经常面临一个令人生畏的瓶颈:在能够构建或测试这些化学结构之前,需要预先了解它们的性质。传统上,弄清楚一个分子的行为方式或一个晶体的稳定性需要运行复杂的计算机模拟或进行昂贵的实验室实验。这些过程缓慢且消耗大量的计算能力。为了提高速度,研究人员转向了机器学习——一种可以通过学习示例来预测这些性质的人工智能技术。然而,为了让这些计算机模型有效地学习,它们需要大量的训练数据。核心挑战在于,并非所有数据都同样有用。正如把同一本书读十遍并不能让你学到新知识一样,向模型输入成千上万个近乎相同的化学结构会浪费时间和资源。目标是寻找最具信息量的示例来教导模型,而不是仅仅收集尽可能多的数据。

一个研究小组致力于通过系统地测试选择哪些化学示例包含在训练集中的不同方法来解决这个问题。他们提出了一个简单但至关重要的问题:如果你有一个用于运行昂贵计算的有限预算,那么挑选能让你的预测模型最准确的数据的最佳策略是什么?他们比较了几种方法,从完全随机挑选示例到使用寻找不确定性或多样性的更复杂的方法。该研究重点关注了两类主要材料:小有机分子和无机晶体,后者是许多固体材料的构建模块。他们在四个不同的数据集上测试了这些策略,数据集规模从几千个到超过十万个不等,并使用了两种不同类型的机器学习模型:一种依赖于预定义的化学描述,另一种则直接从原子结构中学习。

研究人员发现,收集数据的最佳方式很大程度上取决于具体的任务、材料的类型以及所使用的模型。不存在一种适用于所有情况的“灵丹妙药”。然而,有一种方法在各种情况下都表现得优于其他方法:即优先考虑模型对其答案最不确定的示例的方法。通过专注于这些不确定的案例,模型学会了首先纠正其最大的错误,而不是在它已经理解良好的示例上浪费时间。这种“不确定性采样”策略使得模型能够使用显著减少的数据点达到高水平的准确度,而如果只是简单地随机挑选,则需要更多的数据。在某些情况下,这种方法将所需的示例数量减少了近三分之一,当每个数据点都代表一次昂贵的计算机模拟时,这是一种巨大的节省。

研究还表明,可用数据池的大小非常重要。当潜在示例的池子较小且具有多样性时(例如在复杂的晶体稳定性计算案例中),智能选择带来的益处会更加显著。在这些数据匮乏的情景下,随机选择往往无法捕捉到完整的化学可能性范围,而基于不确定性的方法则确保模型能看到最关键的变化。相反,在包含许多冗余或相似结构的超大型数据集中,即使是随机选择最终也能找到足够有用的信息,尽管智能方法能更快达到这一目标。研究人员还发现,机器学习模型本身的选择与数据选择策略同样重要。无论如何选择数据,一个理解原子详细三维排列的模型,其表现都要远好于仅依赖简化化学描述的模型。

最终,这项工作为那些需要在不浪费资源的情况下构建预测模型的科学家提供了清晰的指南。它表明,虽然最佳策略可能会有所不同,但依靠模型自身的不确定性来指导数据收集是一个稳健且高效的途径。这对于那些计算成本高昂的性质尤为有价值,因为即使节省几百次计算,也能转化为显著的时间和资金节省。研究结果表明,材料发现的未来不仅在于拥有更多的数据,更在于拥有正确的数据,并使用尊重模型和所研究材料独特需求的策略来进行选择。通过平衡模型选择与智能数据获取策略,研究人员可以在无需进行详尽且昂贵的试错实验的情况下,加速新材料的发现。

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。

试用 Digest →