Core Concepts
機械学習を活用した知識再利用転移学習法が分子と材料科学に革新的な影響をもたらす。
Abstract
現代の先端産業の基盤である分子と材料は、伝統的な試行錯誤方法や理論計算が資源集約型であり、長期間のR&D期間が急速な分子/材料開発ニーズに対応できない。
機械学習(ML)ベースの大規模データに基づく手法はこのジレンマを打破する可能性がある。
転移学習(TL)はモデルトレーニングに必要なデータ量を低減し、精度を向上させることで、小規模データセットから新しい分子/材料の予測を可能にする。
TLは異なるドメイン/タスクから得られた知識を適用し、高精度かつ効率的なモデル構築を実現する。
Stats
Wangらは、「Cd2+ > Hg2+ > Pb2+」という順序でCd2+、Hg2+、Pb2+イオンのg-C3N4への吸着強度を予測した。 (RMSE: 0.012 eV, 0.051 eV)
ZhangらはMoSe2およびWSe2へLiPSの吸着エネルギー予測に成功し、NNモデルが他の類似AB2構造物質でも適用可能であることを示した。 (MAE: ~0.12 eV)
Quotes
"Transfer learning offers a solution to the molecular and material exploration problem, making predictions of new molecules and materials from small datasets."
"The application of transfer learning can overcome the challenges of small datasets and benefit from publicly available rich data."