一种基于多任务学习的优化方法用于寻找具有期望性能的多样化材料微观结构及其在织构优化中的应用
材料科学
2022-03-24 v3 机器学习
摘要
加工–结构–性能–性能链条上的优化是数据驱动材料科学的核心目标之一。在此意义上，工艺应制造出具有目标材料微观结构的工件。这些微观结构由所关注的材料性能定义，而识别它们是一个材料设计问题。本文针对此问题，提出了一种通用的基于多任务学习的优化方法。该方法能够针对给定的期望性能及相应容差，识别出高度多样化的微观结构集合。基本上，该方法由一个优化算法与一个机器学习模型交互构成，该模型将多任务学习与连体神经网络相结合。所得模型 (1) 关联微观结构与性能，(2) 估计某微观结构可被制备的可能性，以及 (3) 执行保距的微观结构特征提取，以生成低维潜在特征空间从而实现高效优化。所提方法应用于给定期望性能的轧制钢板晶体学织构优化问题。
引用
@article{arxiv.2111.00916,
title = {A multi-task learning-based optimization approach for finding diverse sets of material microstructures with desired properties and its application to texture optimization},
author = {Tarek Iraki and Lukas Morand and Johannes Dornheim and Norbert Link and Dirk Helm},
journal= {arXiv preprint arXiv:2111.00916},
year = {2022}
}