多样性感知主动学习构建材料数据集

针对材料数据集对当前属性优化但丢失未来信息的问题，研究团队提出了一种结合预测分歧与材料特征多样性的获取框架。该框架旨在构建无偏的材料数据集，以缓解后续建模中的冷启动限制。 实验表明，在四个DFT数据集和一个实验热电材料数据集上，基于NSGA-II的多样性感知框架表现最为稳健。该方法不仅能保持当前目标预测性能高于随机采样，还显著提升了排除属性的预测性能，为构建面向当前与未来目标的高质量材料数据集提供了实用路径。

AI 根据报道生成 · 47 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。