贝叶斯协同导航：通过主动学习动态设计材料数字孪生
材料科学
2024-08-27 v1 机器学习
摘要
科学进步普遍建立在理论洞察、建模与实验发现之间的动态交互之上。然而，这一反馈回路通常较为缓慢，包括社区互动的延迟以及实验数据向理论框架的逐步整合。在处理高维对象空间（如分子和复杂微结构）的领域中，这一挑战尤为严峻。因此，将理论整合到自动化和自主实验装置中，即“理论在环”的自动化实验，正成为加速科学研究的关键目标。关键之处不仅在于使用理论，还在于在实验过程中实时更新理论。在此，我们提出一种通过理论模型空间与实验的贝叶斯协同导航将理论纳入回路的方法。我们的方法利用仿真和实验领域代理模型的并发开发，其速率由实验和计算的延迟与成本决定，同时调整理论模型内的控制参数，以最小化实验对象空间上的认知不确定性。该方法促进了材料结构数字孪生的创建，既包含行为代理模型（涵盖相关部分），也包含理论模型本身。尽管此处是在铁电材料功能响应的背景下进行演示，但我们的方法在更广泛的应用中具有前景，例如探索纳米团簇的光学特性、复杂材料中依赖微结构的特性，以及分子系统的特性。支持本研究的分析代码公开于 https://github.com/Slautin/2024_Co-navigation/tree/main
引用
@article{arxiv.2404.12899,
title = {Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning},
author = {Boris N. Slautin and Yongtao Liu and Hiroshi Funakubo and Rama K. Vasudevan and Maxim A. Ziatdinov and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2404.12899},
year = {2024}
}
备注
23 pages, 10 figures