摘要

开发准确、可迁移且计算成本低廉的机器学习模型可以显著加速新材料的发现和开发。在开发此类模型时面临的主要挑战包括：(i) 相对于其他领域，材料数据的可用性有限；(ii) 缺乏一种通用的材料描述符来预测其多种性质。材料数据有限的问题可以通过迁移学习来解决，而通用表示问题最近由Xie和Grossman [1] 提出了解决方案，他们开发了一种晶体图卷积神经网络（CGCNN），为晶体提供了一种统一的表示方法。在这项工作中，我们通过将CGCNN与基于多任务（MT）学习的迁移学习相结合，开发了一个新的模型（MT-CGCNN）。我们通过同时预测多种材料性质（如形成能、带隙和费米能）展示了MT-CGCNN的有效性，这些性质涵盖了广泛的无机晶体（共46774种材料）。当应用于相关性质时，MT-CGCNN能够将测试误差降低多达8%。即使训练数据减少10%，该模型的预测误差仍低于CGCNN。我们还通过金属/非金属分类的相关用户场景预测展示了我们的模型具有更好的性能。这些结果鼓励进一步开发利用多任务学习的方法来应对新材料发现中的上述挑战。为了促进可重复研究，我们公开了MT-CGCNN的源代码。