Эффективное машинное обучение: прогнозирование свойств материалов с ограниченными данными

Исследователи из IISc и Университетского колледжа Лондона разработали метод машинного обучения для прогнозирования свойств материалов с ограниченными данными. Они использовали трансферное обучение, предварительно обучив модель на большом наборе данных и адаптировав её к меньшему целевому набору.

В новом исследовании команда создала модель на основе графовых нейронных сетей (GNN), работающих с трёхмерной кристаллической структурой материалов. Они определили оптимальную архитектуру и объём данных для обучения.

Модель успешно прогнозировала свойства материалов, такие как диэлектрическая проницаемость, энергия образования и пьезоэлектрический коэффициент. Она также смогла предсказать ширину запрещённой зоны для двухмерных материалов.