
-
生物通官微
陪你抓住生命科技
跳动的脉搏
电子结构机器学习数据集的冗余性分析与高效剪枝策略
《npj Computational Materials》:Surprisingly high redundancy in electronic structure data across materials explained by low intrinsic dimensionality
【字体: 大 中 小 】 时间:2026年10月21日 来源:npj Computational Materials 13.1
编辑推荐:
摘要电子结构的机器学习(ML)模型通常依赖于由计算成本高昂的 Kohn-Sham 密度泛函理论计算生成的大型数据集,因为事先无法确定数据的哪些部分是准确学习所必需的。在这里,我们揭示了多种材料体系电子结构数据集中的显著冗余性,并将其归因于底层数据的低内在维度。我们表明,即使是
电子结构的机器学习(ML)模型通常依赖于由计算成本高昂的 Kohn-Sham 密度泛函理论计算生成的大型数据集,因为事先无法确定数据的哪些部分是准确学习所必需的。在这里,我们揭示了多种材料体系电子结构数据集中的显著冗余性,并将其归因于底层数据的低内在维度。我们表明,即使是随机剪枝也能大幅减少数据集大小,而对预测精度的影响微乎其微。此外,一种最先进的基于覆盖度的剪枝策略,该策略在所有学习难度范围内对数据进行采样,几乎总能保持化学精度并维持模型泛化能力,同时使用的数据量减少多达两个数量级,并将训练时间减少三倍或更多。我们进一步证明,关键的电子结构信息位于低维非线性流形上,这为观察到的可剪枝性提供了潜在的几何解释。这些观察结果与局部原子环境在决定电子性质中的主导地位相一致,正如近视性论证所暗示的那样,并表明大规模数据集可能包含高度重叠的信息。我们的发现挑战了普遍存在的假设,即此类大规模数据集对于准确的基于机器学习的电子结构预测是必要的,并为识别每种材料类别的最小化、有代表性的数据集开辟了一条道路。