面向材料优化与发现的主动学习策略基准测试
材料科学
2022-04-13 v1 机器学习
摘要
自主物理科学正在革新材料科学。在这些系统中，机器学习以闭环方式控制实验设计、执行与分析。主动学习是最优实验设计的机器学习领域，它选择后续每个实验以最大化朝向用户目标的知识。通过实施科学机器学习（亦称归纳偏置工程化人工智能），将物理定律的先验知识（如吉布斯相律）融入算法，可进一步提升自主系统性能。随着主动学习策略的数量、多样性与用途增长，对用于策略基准测试的真实参考数据集的需求也日益增长。我们提出一个参考数据集，并演示其以各种采集函数形式对主动学习策略进行基准测试的使用。主动学习策略被用于在一个三元材料体系中快速识别具有最优物理性质的材料。数据来自真实的Fe-Co-Ni薄膜材料库，包含先前获取的材料成分、X射线衍射图谱以及磁矫顽力和克尔旋转两个功能性质的实验数据。我们将流行的主动学习方法与一种近期科学主动学习方法就其材料优化性能进行基准测试。我们讨论了算法性能、材料搜索空间复杂度以及先验知识引入之间的关系。
引用
@article{arxiv.2204.05838,
title = {Benchmarking Active Learning Strategies for Materials Optimization and Discovery},
author = {Alex Wang and Haotong Liang and Austin McDannald and Ichiro Takeuchi and A. Gilad Kusne},
journal= {arXiv preprint arXiv:2204.05838},
year = {2022}
}