由具有非均匀测量噪声与各向异性核的高斯过程回归驱动的自主材料发现
计算物理
2020-06-05 v1 机器学习
摘要
大多数实验学科都面临探索庞大高维参数空间以寻求新科学发现的挑战。材料科学亦不例外；影响材料性质的合成、加工与环境条件种类繁多，造就了尤为广阔的参数空间。近期进展通过日益自动化的探索过程提升了材料发现的效率。自主实验方法近来愈发精细，得以高效且极少人工干预地探索多维参数空间，从而将科学家解放出来专注于解读与全局决策。高斯过程回归（GPR）技术已成为驾驭多类实验的首选方法。我们近期已证明GPR驱动的决策算法对同步辐射光束线自主操控实验的积极作用。然而，由于实验复杂性，GPR常无法以其最基本形式使用，而须加以调谐以满足实验的特殊要求。两项要求似乎尤为关键，即非均匀测量噪声（输入依赖或非独立同分布）与各向异性核函数，此二者正是本文所处理的概念。我们的合成与实验测试证明了这两个概念对材料科学实验的重要性，以及将其纳入自主决策过程所带来的益处。
引用
@article{arxiv.2006.02489,
title = {Autonomous Materials Discovery Driven by Gaussian Process Regression with Inhomogeneous Measurement Noise and Anisotropic Kernels},
author = {Marcus M. Noack and Gregory S. Doerk and Ruipeng Li and Jason K. Streit and Richard A. Vaia and Kevin G. Yager and Masafumi Fukuto},
journal= {arXiv preprint arXiv:2006.02489},
year = {2020}
}