ZeoBench: un benchmark per l’apprendimento auto-supervisionato su rappresentazioni 3D delle zeoliti

Abstract degli autori

Le zeoliti sono un’importante classe di materiali cristallini porosi, con ampie applicazioni nello stoccaggio dei gas, nelle separazioni e nella catalisi. Sebbene siano note centinaia di migliaia di strutture zeolitiche realizzate sperimentalmente o ipotetiche, individuare materiali ottimizzati per una specifica applicazione rimane difficile, perché le etichette delle proprietà sono costose da ottenere e disponibili solo per un numero limitato di coppie struttura-molecola. Sebbene lavori precedenti abbiano dimostrato che le rappresentazioni neurali 3D possono prevedere efficacemente le proprietà delle zeoliti, non è ancora chiaro quali strategie di apprendimento delle rappresentazioni siano più efficaci nel regime con pochi dati rilevante per la scoperta di materiali. Presentiamo ZeoBench, un benchmark per l’apprendimento auto-supervisionato su rappresentazioni 3D dense di zeoliti di sola silice, e valutiamo le caratteristiche ottenute su sei task downstream già esistenti di previsione delle proprietà di adsorbimento, considerando set di addestramento di diverse dimensioni. Il nostro studio confronta il preaddestramento 3D auto-supervisionato su dati volumetrici di zeoliti, gli adattamenti al 3D di ConvNet 2D e vision transformer preaddestrati su immagini tramite strategie multiview e di inflazione dei canali, e ConvNet 3D preaddestrate su dataset volumetrici fuori dominio, oltre a descrittori progettati manualmente e baseline supervisionate. Utilizzando il nostro framework di preaddestramento e valutazione, osserviamo che le rappresentazioni 3D auto-supervisionate superano i metodi esistenti e raggiungono prestazioni allo stato dell’arte sia in entrambi i regimi di etichette in-domain sia nel dominio non visto dei framework metallo-organici. Le rappresentazioni apprese superano sistematicamente i descrittori progettati manualmente e, in questo contesto, le architetture convoluzionali sono generalmente più efficaci dei vision transformer. Questi risultati affermano ZeoBench come un benchmark pratico per l’apprendimento di rappresentazioni 3D nelle zeoliti e forniscono indicazioni per la previsione delle proprietà di adsorbimento in condizioni di scarsità di dati.