基于阈值驱动混合采集策略的贝叶斯优化加速材料发现
机器学习
2023-11-17 v1 材料科学
机器学习
摘要
材料进步在技术发展中起着关键作用。然而，发现并开发具期望性能材料的过程常受高昂实验成本、大量资源消耗与漫长研发周期所阻碍。为应对这些挑战，现代方法常采用机器学习（ML）技术如贝叶斯优化（BO），其通过迭代选择最可能产生有益结果的实验来精简最优材料搜索。然而，传统 BO 方法虽有益，却常在探索与利用权衡上挣扎，导致材料发现过程性能次优。本文提出一种新颖的阈值驱动 UCB-EI 贝叶斯优化（TDUE-BO）方法，其动态整合上置信界（UCB）与期望改进（EI）采集函数之长以优化材料发现过程。与经典 BO 不同，我们的方法聚焦于高效导航高维材料设计空间（MDS）。TDUE-BO 以探索导向的 UCB 方法起步，确保对 MDS 的全面初始扫描；随模型置信度提升（由不确定性降低指示），其转向更具利用性的 EI 方法，聚焦早先识别的有希望区域。UCB 到 EI 的切换策略通过对序贯采样每步模型不确定性的持续监控来引导，从而更高效地遍历 MDS 并确保快速收敛。TDUE-BO 的有效性通过在三个不同材料数据集上的应用得到证明，在 RMSE 分数与收敛效率方面分别显著优于基于 EI 与 UCB 的 BO 方法。
引用
@article{arxiv.2311.09591,
title = {Accelerating material discovery with a threshold-driven hybrid acquisition policy-based Bayesian optimization},
author = {Ahmed Shoyeb Raihan and Hamed Khosravi and Srinjoy Das and Imtiaz Ahmed},
journal= {arXiv preprint arXiv:2311.09591},
year = {2023}
}