面向高通量材料生长且容忍实验失败的贝叶斯优化
材料科学
2022-09-13 v1
摘要
在利用机器学习与自动化技术（如贝叶斯优化（BO）与机器人实验）实现创新的高通量材料生长方面，一个关键问题一直缺乏处理因实验失败导致缺失数据的恰当方法。本文提出一种新的 BO 算法，用于在材料生长参数优化中补全缺失数据。所提方法提供了一种灵活的优化算法，能够搜索广阔的多维参数空间。我们通过模拟数据以及在实际材料生长中的实现——即广泛用于氧化物电子学中金属电极的 SrRuO3 的机器学习辅助分子束外延（ML-MBE）——证明了该方法的有效性。通过在广阔三维参数空间中的利用与探索，同时补全缺失数据，我们仅用 35 次 MBE 生长运行即获得了残余电阻率比为 80.1 的拉伸应变 SrRuO3 薄膜，为迄今报道的拉伸应变 SrRuO3 薄膜中最高。
引用
@article{arxiv.2204.05452,
title = {Bayesian optimization with experimental failure for high-throughput materials growth},
author = {Yuki K. Wakabayashi and Takuma Otsuka and Yoshiharu Krockenberger and Hiroshi Sawada and Yoshitaka Taniyasu and Hideki Yamamoto},
journal= {arXiv preprint arXiv:2204.05452},
year = {2022}
}