基于主动学习与可解释人工智能的旋涂聚合物多目标优化
机器学习
2025-11-17 v2
摘要
旋涂聚合物薄膜以实现特定机械性能是一个固有的多目标优化问题。我们提出了一种框架，集成了主动帕累托前沿学习算法（PyePAL）与可视化和可解释人工智能技术，以优化加工参数。PyePAL 使用高斯过程模型从设计变量（旋速、稀释 ratios 和聚合物混合物）预测目标值（硬度和弹性），从而引导样本的自适应选择，逼近设计空间中有前景的区域。为实现对高维设计空间的可解释性洞察，我们利用 UMAP（统一流形近似与投影）进行帕累托前沿探索的二维可视化。此外，我们引入模糊语言性摘要，将从学习到的工艺参数与性能目标之间的关系转化为语言陈述，从而增强优化结果的可解释性和理解。实验结果表明，我们的方法能够有效识别有前景的聚合物设计，而通过视觉和语言解释则促进了专家驱动的分析和知识发现。
引用
@article{arxiv.2509.08988,
title = {Active Learning and Explainable AI for Multi-Objective Optimization of Spin Coated Polymers},
author = {Brendan Young and Brendan Alvey and Andreas Werbrouck and Will Murphy and James Keller and Matthias J. Young and Matthew Maschmann},
journal= {arXiv preprint arXiv:2509.08988},
year = {2025}
}
备注
8 pages, 7 figures, Presented at 2025 AAAI Spring Symposium Series