基于好奇心驱动的微观结构-性质学习优化探索
材料科学
2025-07-28 v2 机器学习
摘要
快速确定材料中结构-性质关联对于更好地理解基本机制并大大辅助材料设计具有重要意义。在显微镜中，影像数据提供了局部结构的直接测量，而光谱测量则提供了相关的功能性质信息。已利用深度核主动学习方法快速映射局部结构到功能性质，但对于多维且相关的输出空间计算开销较大。本文提出一种替代性轻量级好奇心算法，通过主动抽样具有未探索结构-性质关系的区域，利用基于深度学习的代理模型进行误差预测。我们表明，该算法在预测结构来源于性质方面优于随机抽样，并为材料科学中高效映射结构-性质关系提供了一个便利工具。
引用
@article{arxiv.2504.20011,
title = {Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy},
author = {Aditya Vatsavai and Ganesh Narasimha and Yongtao Liu and Jawad Chowdhury and Jan-Chi Yang and Hiroshi Funakubo and Maxim Ziatdinov and Rama Vasudevan},
journal= {arXiv preprint arXiv:2504.20011},
year = {2025}
}
备注
12 pages, 8 figures