基于先验引导的深度高斯过程用于 HEA 属性的准确且不确定性感知的多任务预测
机器学习
2025-06-19 v1 材料科学
摘要
替代模型技术已成为加速高熵合金（HEA）发现与优化的必不可少工具，尤其是在将计算预测与稀疏实验观察相集成时。本研究系统评估了四种主流替代模型：常规高斯过程（cGP）、深度高斯过程（DGP）、用于多输出回归的编码器-解码器神经网络和 XGBoost，应用于 AlCoCrCuFeMnNiV HEA 系统的混合实验和计算属性数据集。我们特别评估了其在预测相关材料属性——包括屈服强度、硬度、模量、极限抗拉强度、伸长率以及动态和准静态条件下的平均硬度，以及辅助计算属性的能力。比较结果凸显了层次化和深度建模方法在处理 materials informatics 常见的异方差、异主题和不完整数据方面的优势。我们的发现表明，融合基于机器学习的先验的 DGP 通过有效捕获属性间的相关性和输入依赖的不确定性，实现了超越其他替代模型的预测精度。这一提升后的预测精度使高级替代模型成为具备鲁棒性和数据效率 materials design 工具的强大力量。
引用
@article{arxiv.2506.14828,
title = {Accurate and Uncertainty-Aware Multi-Task Prediction of HEA Properties Using Prior-Guided Deep Gaussian Processes},
author = {Sk Md Ahnaf Akif Alvi and Mrinalini Mulukutla and Nicolas Flores and Danial Khatamsaz and Jan Janssen and Danny Perez and Douglas Allaire and Vahid Attari and Raymundo Arroyave},
journal= {arXiv preprint arXiv:2506.14828},
year = {2025}
}
备注
Deep Gaussian Processes Multi-task Gaussian Processes High Entropy Alloys