Theoriegeleitete maschinelles Lernen in der Materialwissenschaft

Materialwissenschaftler nutzen zunehmend maschinelle Lernwerkzeuge, um verborgene Trends in Daten zu entdecken und Vorhersagen zu treffen. Die Anwendung von Konzepten aus der Datenwissenschaft ohne Vorwissen über deren Einschränkungen und die einzigartigen Eigenschaften von Materialdaten könnte jedoch zu fehlerhaften Schlussfolgerungen führen. Die Unterschiede, die zwischen verschiedenen Arten von experimentellen und berechneten Daten bestehen, erfordern sorgfältige Entscheidungen über Datenverarbeitungs- und maschinelles Lernmethoden. Hier skizzieren wir potenzielle Fallstricke, die mit der Verwendung von maschinellem Lernen ohne robuste Protokolle verbunden sind. Wir thematisieren einige Probleme des Überanpassens an Trainingsdaten anhand von Entscheidungsbäumen als Beispiel, die rationale Auswahl von Deskriptoren im Bereich der Perowskite und die Wahrung der physikalischen Interpretierbarkeit bei der Anwendung von dimensionalitätsreduzierenden Techniken wie der Hauptkomponentenanalyse. Wir zeigen, wie das Vorgehen ohne die Anleitung durch Fachwissen zu sowohl quantitativ als auch qualitativ inkorrekten prädiktiven Modellen führen kann.