本研究提出了一种将材料属性预测建模为张量补全的新方法,显著提高了设计组合的探索效率。实验结果表明,该方法在材料属性预测中的错误率降低了10-20%,训练速度与传统机器学习模型相当,具有显著的改进潜力。
该文综述张量分解与张量网络方法:利用分层Tucker分解压缩地震数据和循环神经网络,结合凸松弛与随机化技术实现可扩展优化,应用于高维张量补全、Tucker分解秩自动估计及低秩张量逆问题;借助张量列车、分层Tucker等模型支持分布式计算,在效率与精度上优于传统方法。
完成下面两步后,将自动完成登录并继续当前操作。