差分属性预测:先进制造中实验设计的机器学习方法
机器学习
2021-12-06 v1 人工智能
摘要
先进制造技术已能生产具有最先进性能的材料。然而在许多情况下,这些技术的基于物理的模型发展滞后于其在实验室中的使用。这意味着实验的设计与运行很大程度上依赖试错。这是次优的,因为实验耗费成本、时间与人力。本工作中我们提出一种机器学习框架——差分属性分类(DPC),使实验人员能利用机器学习无与伦比的模式匹配能力来进行数据驱动的实验设计。DPC 输入两组可能的实验参数集,输出关于哪一组将生产出具有操作者指定更优属性的材料的预测。我们在 AA7075 管材制造工艺与力学性能数据上,使用剪切辅助加工与挤压(ShAPE,一种固相加工技术)展示了 DPC 的成功。我们表明,通过聚焦于实验人员在多个候选实验参数间做选择的需求,可将从加工参数预测材料属性的困难回归任务,重构为机器学习模型能取得良好表现的分类任务。
引用
@article{arxiv.2112.01687,
title = {Differential Property Prediction: A Machine Learning Approach to Experimental Design in Advanced Manufacturing},
author = {Loc Truong and WoongJo Choi and Colby Wight and Lizzy Coda and Tegan Emerson and Keerti Kappagantula and Henry Kvinge},
journal= {arXiv preprint arXiv:2112.01687},
year = {2021}
}