材料发现的机器学习模型面临关键设计缺陷

一篇新发表在arXiv上的研究论文强调了用于材料发现的机器学习模型中的一个关键设计选择。研究表明，模型是否预测物理上不可能的性质（例如，中心对称晶体的非零压电张量）取决于一个与奇偶性标签相关的设计位。带有奇偶性标签的模型通过预测禁止性质为零而实现了近乎完美的准确性，而没有此标签的模型对超过90%的测试晶体做出了物理上不可能的预测。 AI

影响 强调了材料科学中机器学习模型的关键缺陷，可能影响科学发现的准确性和可靠性。

排序理由 研究论文，详细介绍了关于机器学习模型设计的具体发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Centrosymmetric crystals of biomolecules: the racemate method.
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• machine learning
• materials science
• Piezoelectric Tensor of Collagen Fibrils Determined at the Nanoscale
• ScienceCast

• 论文
• 模型发布

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