← 最新论文
🤖 机器学习

Confidence-Based Materials Data Quality Assessment via Domain Knowledge and Graph-Structured Learning

本文提出了一种基于置信度的框架,该框架将材料领域知识与图结构学习相结合,将数据质量评估视为一个连续估计问题,并在多个基准数据集上证明了其在提升模型可靠性和预测性能方面的显著改进。

原作者: Sihan Liaing, Ji Zhang, Kehan Wang, Zihao Gao, Wei Ma, Yangang Wang, Zongguo Wang

发布于 2026-11-19
📖 1 分钟阅读☕ 轻松阅读

原作者: Sihan Liaing, Ji Zhang, Kehan Wang, Zihao Gao, Wei Ma, Yangang Wang, Zongguo Wang

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

在现代探索新材料的过程中,科学家们正越来越多地转向利用计算机来预测原子的行为。研究人员不再是在实验室中混合化学物质并等待结果,而是使用包含数百万条关于晶体结构、能量水平和物理性质记录的海量数字库。这些数据库为设计从更优质的电池到更强韧的合金等各类产品的人工智能模型奠定了基础。然而,正如建在不稳固地基上的房屋最终会坍塌一样,基于错误数据训练的计算机模型也会产生不可靠的预测。问题在于,这些数字库并不完美;其中充满了含有细微错误的记录,例如不可能存在的物理数值、失败的计算,或是初看之下看似正确但违反了基本自然法则的重复条目。识别这些隐藏的缺陷非常困难,因为它们通常不会表现为明显的错误,而是作为符合数据集整体统计模式的数据点存在。

为了解决这一问题,一个研究小组开发了一套新系统,其功能类似于材料数据的严苛质量检测员。该方法并非简单地将记录标记为“好”或“坏”,而是为每一条信息分配一个从零到一的连续置信度分数。该系统将物理学和化学的硬性规则与一种观察数据点之间相互关系的复杂方法相结合。可以将该数据集想象成一个庞大的网络,其中每条材料记录都与描述它的特定测量值相连,而这些测量值又与共享这些测量值的其他记录相连。通过追踪这些连接,系统可以发现简单清单无法察觉的不一致之处。例如,如果某条记录中的某个特定测量值似乎略有偏差,系统会检查该测量值在数千条其他记录中的可靠性,以判断该错误是孤立现象还是某种更大模式的一部分。

研究人员在名为 mp_20 的大规模材料数据集上测试了这一框架,该数据集包含超过 45,000 条记录。他们特意在数据中引入了各种类型的错误,包括不可能的值、结构描述不匹配以及统计异常值,以测试该系统是否能够发现它们。结果显示,这种新方法在识别这些受损记录方面非常有效。当研究人员在训练用于预测材料性质的机器学习模型之前使用该系统进行数据清洗时,模型的准确率显著提高。在未进行清洗的情况下,模型的预测效果较差,但在使用该系统过滤掉低置信度记录后,准确率从约 0.54 跳升至 0.62。在另一项涉及预测晶体能量的高级模型测试中,清洗过程帮助模型从性能大幅下降中恢复,使其准确率回升至接近 0.88,这已非常接近于使用完美洁净数据时的表现。

这种方法之所以特别强大,是因为它并不依赖单一的方法来寻找错误。它首先检查数据点是否落在已知的物理极限内,例如确保晶体能量在应当为正时不会出现负值。随后,它使用“图”结构来传播置信度,这意味着如果某个特定测量值在一条记录中被发现不可靠,系统就会降低该测量值在所有其他出现该测量值的记录中的置信度。最后,它使用局部比较工具来检查某条记录与其在数据中的近邻相比是否看起来可疑。这种多层级的处理方式使系统能够捕捉不同类型的错误,从简单的输入错误到复杂的物理定律违背。研究人员发现,将所有步骤结合起来比单独使用任何一步都更有效,且该系统足够鲁棒,能够处理不同程度的数据损坏而不发生失效。

除了发现错误之外,该系统还能为为何标记某条记录提供清晰的解释。它会明确告知用户违反了哪条规则或哪个统计检查,使整个过程透明且可审计。对于需要信任数据以进行后续研究的科学家来说,这一点至关重要。团队还展示了其方法可以根据历史参考资料对比不同的数据批次,从而允许他们评估新数据集相对于过去标准的整体质量。在涉及 23 种不同类型通用数据问题的测试中,该系统的表现与目前最先进的方法不相上下,证明了即使脱离材料科学的具体语境,其逻辑依然成立。通过将数据质量评估转变为一个连续且可解释的过程,这项工作为确保驱动未来材料发现的人工智能建立在真实的基础之上提供了一种切实可行的方法。

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 →