English(EN) Surprisingly High Redundancy in Electronic Structure Data Across Materials Explained by Low Intrinsic Dimensionality

AI研究揭示低维度解释材料数据中的冗余

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-04 04:00

研究人员在材料科学机器学习中使用的电子结构数据集内发现了显著的冗余。他们发现底层数据具有低内在维度，这意味着大部分信息是重复的。这表明数据集大小可以大大减小，可能减小几个数量级，而不会损害预测准确性或化学准确性，从而加快训练时间。 AI

影响确定了大幅减少材料科学机器学习模型训练数据和时间的方法。

排序理由学术论文，详细介绍了机器学习在材料科学数据冗余方面的新发现。

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Sazzad Hossain, Ponkrshnan Thiagarajan, Shashank Pathrudkar, Stephanie Taylor, Abhijeet S. Gangan, Amartya S. Banerjee, Susanta Ghosh · 2026-05-04 04:00

Surprisingly High Redundancy in Electronic Structure Data Across Materials Explained by Low Intrinsic Dimensionality

arXiv:2507.09001v3 Announce Type: replace-cross Abstract: Machine learning (ML) models for electronic structure typically rely on large datasets generated by computationally expensive Kohn-Sham density functional theory calculations, as it is not known a priori which portions of …