利用 FAIR 数据和工作流程加速活性学习材料发现：针对合金熔点温度的案例研究
材料科学
2024-11-22 v1 计算物理
摘要
活性学习 (AL) 是一种强大的顺序优化方法，在新材料的发现中展现出巨大的潜力。然而，一个主要挑战仍然是初始数据的获取以及开发用于生成每个迭代中新数据的工作流程。在本研究中，我们通过复用可用于在线模拟的已发布模拟工作流程及其关联数据仓库，展示了在优化任务中显著的加速。该工作流程及其数据遵循 FAIR (可发现、可访问、可互操作且可重用) 原则，采用 nanoHUB 的基础设施。该工作流程采用分子动力学方法计算多主成分合金的熔点温度。我们利用了不仅用于开发准确机器学习模型以启动顺序优化，还用于优化仿真参数以加快收敛的所有先前数据。先前的工作表明，寻找熔点温度最高的合金配方需要测试 15 种合金配方，每个配方的熔点测定平均需要 4 次仿真。通过开发利用 nanoHUB 数据库中 FAIR 数据的工作流程，我们将每个配方的仿真次数减少到一次，仅测试三个配方即可找到熔点温度最低的合金。因此，本次第二次优化相对于不访问 FAIR 数据库的模型实现了 10 倍的加速。
引用
@article{arxiv.2411.13689,
title = {Accelerating active learning materials discovery with FAIR data and workflows: a case study for alloy melting temperatures},
author = {Mohnish Harwani and Juan C. Verduzco and Brian H. Lee and Alejandro Strachan},
journal= {arXiv preprint arXiv:2411.13689},
year = {2024}
}