Key points are not available for this paper at this time.
لقد تقدم التعلم الآلي في التنبؤ السريع بخصائص المواد غير العضوية، ومع ذلك تظل ندرة البيانات المتعلقة بخصائص معينة والقدرة على التقاط الاستقرار الديناميكي الحراري تحديًا. نقترح إطار عمل يستخدم شبكة عصبية جرافيكية مع بنى مستندة إلى التركيب وبنى مستندة إلى هيكل البلورة، جنبًا إلى جنب مع نظام تعلم منتقل. هذا النهج يتنبأ بدقة بخصائص مرتبطة بالطاقة (مثل الطاقة الكلية، الطاقة فوق الحدود المحدبة، فجوة نطاق الطاقة) والخصائص الميكانيكية ذات البيانات النادرة (مثل معامل الكثافة ومعامل القص). يتضمن نموذجنا تفاعلات أربعة أجسام، مما يلتقط دورية وخصائص هيكلية. إنه يتفوق على النماذج المتطورة في 8 مهام تقدير خصائص المواد. أيضًا، يتنبأ هذا النموذج بالبيئات الذرية المحلية والميزات الهيكلية العالمية بشكل أفضل من عدة نماذج. يعالج التعلم المنقول ندرة بيانات الخصائص الميكانيكية، بينما يسمح تحليل الهيكل المنفصل بالتطبيق على المواد التي تفتقر إلى معلومات هيكل البلورة. تساعد قابلية تفسير إطار عملنا في فهم المساهمات العنصرية، مما يعزز تصميم واكتشاف المواد. تعد التحسينات المستمرة بوعود لتحقيق مزيد من تحسين الأداء، مما يدفع نحو توقع دقيق وفعال لخصائص المواد.
درس مدني وزملاؤه (السبت) هذا السؤال.