提升基于成分的材料性能预测能力

《Scientific Reports》：Enhancing composition-based materials property prediction

　　

摘要

晶体图神经网络在模拟实验合成的化合物以及合成可能性未知的假设材料方面具有广泛的应用前景。相比之下，结构无关的预测算法能够探索化学空间中此前无法触及的领域。本文提出了一种通过跨模态知识转移来提升基于成分的材料性质预测能力的通用方法。该方法包括两种实现方式：隐式转移是在多模态嵌入上预训练化学语言模型；显式转移则是生成晶体结构并实现结构感知的预测器。所提出的方法在LLM4Mat-Bench和MatBench任务中进行了基准测试，在32个案例中的25个案例中取得了最先进的性能。此外，我们还展示了化学语言模型的另一个重要特性——可解释性——如何通过应用博弈论方法得到改善，该方法能够捕捉高阶特征之间的相互作用。