利用科学机器学习发现环境应力下实验材料稳定性的控制方程
材料科学
2021-06-22 v1
摘要
尽管机器学习（ML）在实验研究中已展现出令人印象深刻的预测能力，归纳推理与知识提取仍是难以达成的任务，部分原因在于从实验数据中提取可迁移的知识表示十分困难。在本稿中，我们使用 ML 从降解的有机-无机甲基铵铅碘（MAPI）钙钛矿薄膜在环境应力因子（升高温度、湿度和光照）下的实验数据中推断潜在的动力学微分方程（DE）。我们应用一种稀疏回归算法，可从时间序列数据中自动识别描述动力学的微分方程。我们发现，在 35 至 85{\deg}C 的宽泛温度范围内控制 MAPI 降解的底层 DE 最少可由三项（具体为一个二阶多项式）描述，而非简单的单级反应（即 0 级、1 级或 2 级反应）。我们展示了计算机推导的结果如何帮助研究者获得深刻的机理见解。该 DE 对应于 Verhulst 逻辑函数，其描述的反应动力学在功能形式上类似于自催化或自传播反应，为未来抑制 MAPI 降解的策略提供启示。我们结合实验与模拟，考察了结论对实验抽样方差和高斯噪声的鲁棒性，并描述了该方法可应用的实验限度。我们的研究展示了科学 ML 在实验化学与材料体系中的应用，凸显了 ML 辅助科学发现的前景与挑战。
引用
@article{arxiv.2106.10951,
title = {Discovering Equations that Govern Experimental Materials Stability under Environmental Stress using Scientific Machine Learning},
author = {Richa Ramesh Naik and Armi Tiihonen and Janak Thapa and Clio Batali and Zhe Liu and Shijing Sun and Tonio Buonassisi},
journal= {arXiv preprint arXiv:2106.10951},
year = {2021}
}