用于好奇心驱动人在回路自动化实验的动态贝叶斯优化主动推荐系统
机器学习
2023-04-06 v1
摘要
通过主动学习方法优化实验材料合成与表征在过去十年中不断发展，例子从同步辐射下组合合金的衍射测量，到使用自动化合成机器人搜索钙钛矿的化学空间。在几乎所有情况下，优化的目标属性都是先验定义的，在运行过程中人类反馈有限。相比之下，我们在此提出一种新型人在回路实验工作流的发展，通过贝叶斯优化主动推荐系统（BOARS），利用人类反馈即时塑造目标。我们展示了该框架应用于预获取的铁电薄膜压电响应力谱的例子，然后将其在原子力显微镜上实时实现，其中优化继续进行以寻找对称的压电响应振幅滞回环。研究发现，此类特征比局部畴结构更易受亚表面缺陷影响。本工作展示了人类增强的机器学习方法在跨实验领域好奇心驱动探索中的效用。此处报告的分析总结于 Colab Notebook 中以供教程及对其他数据的应用：https://github.com/arpanbiswas52/varTBO
引用
@article{arxiv.2304.02484,
title = {A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments},
author = {Arpan Biswas and Yongtao Liu and Nicole Creange and Yu-Chen Liu and Stephen Jesse and Jan-Chi Yang and Sergei V. Kalinin and Maxim A. Ziatdinov and Rama K. Vasudevan},
journal= {arXiv preprint arXiv:2304.02484},
year = {2023}
}
备注
7 figures in main text, 3 figures in Supp Material