本研究解决了材料发现中的数据有限性问题,尤其是在晶格热导率(ltc)方面,现有的精确数据集数量稀缺。通过迁移学习和对深度学习模型(paraisite)的微调,论文展示了一种创新的方法,首次通过预训练模型在低质量近似数据集上进行微调,随后在高质量小型数据集上再微调,从而显著提升模型在热导率预测中的精度和可推广性。这一发现对在数据稀缺领域实现更精准的预测具有重要影响。
本研究通过迁移学习和深度学习模型微调,解决了晶格热导率数据不足的问题,显著提高了热导率预测的精度和适用性。
本研究解决了材料发现中的数据有限性问题,尤其是在晶格热导率(ltc)方面,现有的精确数据集数量稀缺。通过迁移学习和对深度学习模型(paraisite)的微调,论文展示了一种创新的方法,首次通过预训练模型在低质量近似数据集上进行微调,随后在高质量小型数据集上再微调,从而显著提升模型在热导率预测中的精度和可推广性。这一发现对在数据稀缺领域实现更精准的预测具有重要影响。
本研究通过迁移学习和深度学习模型微调,解决了晶格热导率数据不足的问题,显著提高了热导率预测的精度和适用性。