BriefGPT - AI 论文速递
·
基于反向变分自编码器的化学无序材料分区函数的生成方法
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构-性质联系。该模型通过双层先验条件于回归变量来结合VAE和回归模型，可以用于前向和逆向预测微观结构的属性。实验结果表明，该模型在前向预测方面与最先进的仅前向模型一样准确，并且能够实现所需的属性，避免了昂贵的优化过程。
🎯
关键要点
-
提出了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构-性质联系。
-
模型通过双层先验条件于回归变量结合VAE和回归模型。
-
回归损失与变分自编码器的重构损失一起优化，学习微观结构特征。
-
模型可用于前向预测和逆向预测微观结构的属性。
-
逆向问题存在不适定性，使用多模态高斯混合先验导出目标函数。
-
模型在前向预测方面与最先进的仅前向模型一样准确。
-
方法实现了直接逆向推断，推断的微观结构能够准确实现所需属性。
-
避免了昂贵的优化过程。
➡️
