Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides
arXiv 论文 2607.29510v1 研究使用图神经网络（GNN）对高熵钙钛矿氧化物（HEPOs）进行有序到无序迁移学习，预测形成能和 HOMO-LUMO 带隙。评估了 CGCNN、GATGNN、ALIGNN 和 M3GNet 四种模型。发现形成能预测可有效迁移到无序 HEPOs，而 HOMO-LUMO 带隙预测迁移性有限，加入少量 HEPO 特定训练数据可显著改善。
发展脉络
- 首次出现Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxidesarXiv cs.LG
- 当前判断该研究展示了 GNN 在复杂材料体系中的应用潜力，但迁移学习的局限性提示实际部署需结合领域数据。材料发现领域可能受益于迁移学习加速探索，但需针对性质定制模型。Agent Pulse · 分析
arXiv 论文 2607.29510v1 研究有序到无序迁移学习，使用图神经网络预测高熵钙钛矿氧化物的形成能和 HOMO-LUMO 带隙。高熵钙钛矿氧化物化学复杂、组成空间大，准确预测性质困难。GNN 可快速探索材料空间，但受限于代表性训练数据。研究将化学有序钙钛矿的知识迁移到无序 HEPOs，评估 CGCNN、GATGNN、ALIGNN 和 M3GNet 四种模型，涵盖二体和三体相互作用。结果发现迁移行为强烈依赖性质：形成能预测有效迁移，而 HOMO-LUMO 带隙预测因对局部化学环境敏感而迁移有限。加入少量 HEPO 特定数据可显著改善带隙预测。
迁移学习在材料性质预测中的效果高度依赖目标性质对局部化学环境的敏感性。形成能对结构无序鲁棒，迁移有效；HOMO-LUMO 带隙对局部环境敏感，迁移受限。这提示模型设计需考虑性质特异性，而非通用迁移。加入少量目标域数据可弥补迁移不足，表明数据增强策略的重要性。
该研究展示了 GNN 在复杂材料体系中的应用潜力，但迁移学习的局限性提示实际部署需结合领域数据。材料发现领域可能受益于迁移学习加速探索，但需针对性质定制模型。
对于材料发现和设计工具，该研究提供了迁移学习的实证评估，帮助企业理解何时可依赖预训练模型，何时需补充数据，从而优化研发成本和效率。
未来可能看到更多针对特定性质的迁移学习策略，以及结合少量目标数据的高效微调方法。材料科学中 GNN 的应用将更注重数据效率和性质特异性。