基于贝叶斯模型平均的材料发现自主高效实验设计
计算物理
2018-12-05 v5 材料科学
摘要
为识别具有最优性质的构型而加速探索材料空间是一项持续的挑战。当前的范式通常围绕通过高通量实验/计算来进行这种探索的思路展开。然而，此类方法并未考虑始终存在的资源约束。近来，这一问题已通过将材料发现构建为最优实验设计来加以解决。本文在前人工作的基础上提出一种框架，该框架不仅能高效探索材料设计空间并考虑资源约束，还引入了模型不确定性的概念。所得方法将贝叶斯模型平均（Bayesian Model Averaging）结合于贝叶斯优化（Bayesian Optimization）之中，从而实现一个能够自主且自适应地学习的系统，不仅学习材料空间中最有前景的区域，也学习最能有效引导此种探索的模型。该框架通过密度泛函理论（DFT）计算高效探索 MAX 三元碳化物/氮化物空间得到了演示。
引用
@article{arxiv.1803.05460,
title = {Autonomous Efficient Experiment Design for Materials Discovery with Bayesian Model Averaging},
author = {Anjana Talapatra and Shahin Boluki and Thien Duong and Xiaoning Qian and Edward Dougherty and Raymundo Arróyave},
journal= {arXiv preprint arXiv:1803.05460},
year = {2018}
}