npj：班晓娟教授问：实验数据不够？黄海友研究员说：数据增强帮你凑？

　　海归学者发起的公益学术平台

　　分享信息，整合资源

　　交流学术，偶尔风月

　　近年来，信息学与新材料相结合的科学发现如雨后春笋般涌现。机器学习方法在这些研究中扮演了关键角色。一般而言，在保证数据质量的前提下，训练数据集越大，训练后的机器学习模型越精确。对于深度神经网络来说尤其如此，当使用大量的数据进行训练时，神经网络具有卓越的预测性能。因此，一些加速数据积累的方法，如高通量计算和高通量实验，已经被发展用来建立大型数据库。然而，在许多材料研究中，特别是对于新材料，我们仍然面临着缺乏高质量数据来训练可靠的机器学习模型的困境。主要的障碍来自于收集实验数据（真实数据）的过程困难且耗时。虽然计算数据的成本可能比实验数据低，但在材料科学的许多应用中，这两类数据之间仍然存在很大的差距。

　　来自北京科技大学的班晓娟教授和黄海友研究员等人开发了一种新的基于迁移学习的数据增广策略来解决材料数据挖掘中小数据或数据不足的困境，这种策略实现了计算模拟数据和实验数据（真实数据）的转换和融合，成功扩充了训练数据，仅根据一小批实验数据就可以建立性能更好的机器学习模型。在材料科学研究中，模拟计算是一种高效的数据采集方法。但由于模拟数据和真实数据存在数据分布差异，仅将模拟数据混合到真实数据中，可能对机器学习模型产生负面的影响。该研究提出利用生成对抗网络减少域间差异，以纯铁晶粒的语义分割任务为例，通过模拟仿真模型获得大量模拟图像，同时使用部分真实图像构建和训练风格迁移网络模型，再实现模拟图像到真实图像的转换，最终生成大量的具有模拟图像晶粒结构和真实图像纹理信息的合成图像，成功提高了机器学习模型的预测性能，降低了对大量真实数据的依赖。