面向机理知识不完备制造过程的加速且低成本的机器学习
机器学习
2023-08-15 v1 材料科学
摘要
机器学习（ML）在制造过程参数效应建模中日益受到关注。但该方法局限于已建立的过程，即那些随时间发展出深厚基于物理理解的过程，因为现有前沿方法侧重于降低生成训练数据的实验和/或计算成本，却忽视了为新过程开发定性准确基于物理模型所固有的显著成本。本文提出一种基于迁移学习的方法来解决此问题：先在来自基于物理的过程模型（源）的大量计算廉价数据上训练ML模型，再于少量昂贵实验数据（目标）上微调。新颖之处在于突破了文献中假定较高、且是模型开发成本高昂根源的源模型定性精度要求。我们的方法在熔融沉积成型中打印线宽建模上进行了评估。尽管源模型存在极端的功能与定量不准确，我们的方法仍将模型开发成本降低数年、实验成本降低56–76%、计算成本降低数个数量级，并将预测误差降低16–24%。
引用
@article{arxiv.2305.00229,
title = {Accelerated and Inexpensive Machine Learning for Manufacturing Processes with Incomplete Mechanistic Knowledge},
author = {Jeremy Cleeman and Kian Agrawala and Rajiv Malhotra},
journal= {arXiv preprint arXiv:2305.00229},
year = {2023}
}
备注
6 pages, 3 figures, 1 table