基于主动学习的材料属性曲线与曲面高效估计
材料科学
2021-01-13 v1 计算物理
摘要
材料属性与温度、外场或时间等自变量之间的关系，通常在多维空间中由曲线或曲面表示。确定此类曲线或曲面需要一系列实验或计算，往往耗时且昂贵。一种通用策略是在主动学习循环中使用适当的效用函数对空间进行采样，以推荐下一个最优实验或计算。然而，已知使用何种最优采样策略以最小化实验数量仍是一个悬而未决的问题。我们基于 Kriging 模型，在若干复杂度各异的材料问题上比较了若干基于定向探索的策略。这些问题包括一维曲线（如 304L 不锈钢的疲劳寿命曲线与 Fe-C 相图的液相线）、曲面（如三维空间中的 Hartmann 3 函数与 Ar-SH 的拟合分子间势）以及一个 BaTiO3 基陶瓷实验测量的四维数据集。我们还考虑了实验噪声对 Hartmann 3 函数的影响。我们发现，由最大方差引导的定向探索总体表现更优，在多个数据集上收敛更快。然而，对于某些问题，结合利用的权衡方法至少可表现得与最大方差法相当，甚至更优。因此，我们讨论了效用函数的选取如何依赖于数据分布、模型性能与不确定性、加性噪声以及预算。
引用
@article{arxiv.2010.06896,
title = {Efficient Estimation of Material Property Curves and Surfaces via Active Learning},
author = {Yuan Tian and Dezhen Xue and Ruihao Yuan and Yumei Zhou and Xiangdong Ding and Jun Sun and Turab Lookman},
journal= {arXiv preprint arXiv:2010.06896},
year = {2021}
}
备注
15 pages and 15 figures,submitted to Physical Review Materials