KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-21
Erlernen der Geometrie des Materialraums mit trainierten Neural Tangent Kernels
Originaltitel: Learning the Geometry of Materials Space with Trained Neural Tangent Kernels
Neuronale Netze, die zur Vorhersage von Materialeigenschaften trainiert werden, lernen Repräsentationen, deren physikalischer Gehalt schwer zu extrahieren sein kann. Mithilfe der an den trainierten Parametern ausgewerteten Neural-Tangent-Kernel rekonstruiert diese Arbeit die Geometrie, die ein Netzwerk lernt, das Übergangstemperaturen von Supraleitern allein aus der Elementzusammensetzung vorhersagt: Kernel-Ridge-Regression mit dem trainierten NTK bildet die Leistung des Netzwerks eng nach und übertrifft die Regression mit dem ursprünglichen Kernel deutlich. Spektralanalyse und multidimensionale Skalierung zeigen eine Geometrie, die von einer kleinen Anzahl von Richtungen dominiert wird, und Clustering sowie lokale Nachbarschaftsanalysen ordnen Verbindungen zu erkennbaren Supraleiter-Familien, wodurch Materialien mit verwandten chemischen Eigenschaften und Eigenschaften korrelierter Elektronen trotz erheblicher Unterschiede in Tc miteinander verknüpft werden.