晶界网络优化的 Decision Transformer 方法
材料科学
2024-12-23 v1 计算物理
摘要
随着微观结构属性模型的改进，晶体学自由度与晶界网络（GBN）的附加信息可被纳入微观结构设计问题中。然而，包含这些信息的高维特性排除了许多常见优化方法的使用，需要采用效率较低的方法来生成高质量设计。先前的研究表明，以电子游戏形式实现的人在回路优化能够为这些设计问题提供高质量、高效的解决方案。然而，此类数据获取成本高昂。在本文中，我们展示了如何利用 Decision Transformer 机器学习（ML）模型来学习人类玩家生成的优化轨迹，并随后解决材料设计问题。我们将 ML 优化轨迹与玩家以及一种常见的全局优化算法——模拟退火（SA）进行了比较。我们发现，ML 模型对玩家决策的验证准确率达到 84%，并获得了与 SA 质量相当（92%）的解决方案，但所用的迭代次数少了三个数量级。我们发现 ML 模型以重要且令人惊讶的方式实现了泛化，包括能够使用简单的本构结构-属性模型进行训练，然后在无需任何重新训练的情况下，针对不同的、更高保真度的本构结构-属性模型解决微观结构设计问题。这些结果展示了 Decision Transformer 模型在解决材料设计问题方面的潜力。
引用
@article{arxiv.2412.15393,
title = {A Decision Transformer Approach to Grain Boundary Network Optimization},
author = {Christopher W. Adair and Oliver K. Johnson},
journal= {arXiv preprint arXiv:2412.15393},
year = {2024}
}