ترجمه فارسی مقاله پیش‌بینی ویژگی مواد خارج از توزیع با استفاده از تنظیم دقیق مبتنی بر یادگیری مخالف

چکیده

The accurate prediction of material properties is crucial in a wide range of scientific and engineering disciplines. Machine learning (ML) has advanced the state of the art in this field, enabling scientists to discover novel materials and design materials with specific desired properties. However, one major challenge that persists in material property prediction is the generalization of models to out-of-distribution (OOD) samples,i.e., samples that differ significantly from those encountered during training. In this paper, we explore the application of advancements in OOD learning approaches to enhance the robustness and reliability of material property prediction models. We propose and apply the Crystal Adversarial Learning (CAL) algorithm for OOD materials property prediction,which generates synthetic data during training to bias the training towards those samples with high prediction uncertainty. We further propose an adversarial learning based targeting finetuning approach to make the model adapted to a particular OOD dataset, as an alternative to traditional fine-tuning. Our experiments demonstrate the success of our CAL algorithm with its high effectiveness in ML with limited samples which commonly occurs in materials science. Our work represents a promising direction toward better OOD learning and materials property prediction.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق خصوصیات مادی در طیف گسترده ای از رشته های علمی و مهندسی بسیار مهم است.یادگیری ماشین (ML) وضعیت هنر را در این زمینه پیشرفت کرده است و دانشمندان را قادر می سازد تا مواد جدید و مواد طراحی را با خواص خاص مورد نظر کشف کنند.با این حال ، یکی از چالش های اساسی که در پیش بینی خاصیت مادی همچنان ادامه دارد ، تعمیم مدل ها به نمونه های خارج از توزیع (OOD) ، یعنی نمونه هایی است که با مواردی که در طول آموزش با آنها روبرو می شوند متفاوت است.در این مقاله ، ما به بررسی استفاده از پیشرفت ها در رویکردهای یادگیری OOD برای تقویت استحکام و قابلیت اطمینان مدل های پیش بینی خاصیت مواد می پردازیم.ما الگوریتم یادگیری متناقض (CAL) کریستالی را برای پیش بینی خاصیت مواد OOD پیشنهاد می کنیم و به کار می بریم ، که داده های مصنوعی را در حین آموزش ایجاد می کند تا آموزش را به سمت نمونه ها با عدم اطمینان پیش بینی بالا سوق دهد.ما همچنین یک رویکرد هدفمند مبتنی بر یادگیری مخالف را پیشنهاد می کنیم تا مدل را با یک مجموعه داده خاص OOD سازگار کند ، به عنوان جایگزینی برای تنظیم دقیق سنتی.آزمایشات ما موفقیت الگوریتم CAL ما را با اثربخشی بالای آن در ML با نمونه های محدود نشان می دهد که معمولاً در علم مواد رخ می دهد.کار ما یک جهت امیدوارکننده به سمت یادگیری بهتر و پیش بینی خاصیت مواد را نشان می دهد.