Sim2Real 迁移学习在扩展计算材料数据库以进行真实世界预测中的缩放定律

快速阅读: 《Nature.com》消息，研究探讨了材料科学中仿真到现实（Sim2Real）和现实到现实（Real2Real）迁移学习的可扩展性。结果显示，计算预训练数据集规模越大，预测误差越小。研究提出了优化计算与实验资源配置的微观经济框架，并强调构建可迁移计算数据库的重要性，以提高实际任务的泛化能力。

本研究探讨了在材料科学中分析仿真到现实（Sim2Real）和现实到现实（Real2Real）迁移学习可扩展性的意义与实用性。通过涉及聚合物和无机材料的多种案例研究发现，随着计算预训练数据集规模的扩大，预测误差相对于实验数据按照幂律关系得到改善。这些发现凸显了计算与实验方法协同效应的重要性。通过观察Sim2Real迁移的缩放规律，可以估算出完成下游实际任务所需计算数据集的规模，以达到预期的预测性能。此外，我们提出了一种微观经济框架，用于确定在创建数据平台过程中计算与实验资源的最佳分配方式。这种方法指导资源分配的相关决策，以最大化数据收集工作的效果。

迁移学习的缩放规律为构建计算数据库提供了指导原则。理想情况下，应创建可迁移的计算数据库，以增强指定目标任务在实际领域下游任务中的泛化能力。或者，重要的是发现能够从计算数据库可扩展迁移到真实世界任务和分析流程的方法。尽管目前已有多种计算材料属性数据库被开发，但尚未从缩放规律的角度量化其价值。向多样化真实世界任务的强可扩展性是衡量计算数据库实用性的标准。重要的是认识到仿真与实验属性之间始终存在差异。此外，实验数据会受到偏差和波动的影响，这是由于与实验条件、样品制备、测量系统噪声以及研究人员选择偏差相关的未观测因素。因此，迁移学习在弥合复杂且不确定的真实世界场景与不完美的计算模型之间的差距中起着关键作用。为此，明确展示扩展数据集对下游任务的可迁移性和益处至关重要。找到具备Sim2Real迁移可扩展性的方案是利用模拟数据开发材料数据库的目标。

通过深入分析，研究者们总结了一系列核心观点：首先，计算与实验方法的结合是提高预测精度的关键；其次，合理规划计算与实验资源的比例能够显著提升数据平台的建设效率；再次，创建具有强迁移能力的数据库不仅有助于解决当前面临的挑战，还能够推动未来研究的发展。总之，这项工作为材料科学领域的进一步探索奠定了坚实的基础，并提供了重要的参考依据。

(以上内容均由Ai生成)