Npj Comput. Mater. : 小数据, 大用途: 生成对抗网络辅助图神经大规模预测

近年来，机器学习在材料设计中得到广泛应用，其中图神经网络因其能准确表示材料结构而备受关注。然而，图神经网络需要已知材料的准确结构，对于多组元复杂材料如高熵合金，结构计算困难且数据量有限。为此，清华大学和日本东北大学的研究团队提出了元素特征迁移对抗网络框架（EFTGAN），利用生成对抗网络从小样本数据集中生成新的元素特征和材料性质，以增强图神经网络的预测性能。该框架通过元素卷积图神经网络提取元素特征，并利用生成对抗网络生成新特征，避免了庞大的结构计算。研究将该框架应用于高熵合金的性质预测，显著提高了模型精度，并探索了广阔成分空间下的合金稳定性。该研究为小数据集下的材料预测提供了新算法，有助于材料开发和物理知识获取。