基于主动学习的高效相图采样
计算物理
2018-03-12 v1 软凝聚态物质
摘要
我们通过采用机器学习中的主动学习技术来解决高效相图采样问题,在示例应用中将建立给定精度相边界所需的样本量(采样状态点数)减少了 80%。传统上,数据是在预定的均匀状态点网格上收集的。这种方法在机器学习界也称为网格搜索,因采样那些不提供相边界信息的状态点而效率低下。我们提出一种主动学习方法,通过每轮自适应选择下一个信息量最大的状态点来克服这一缺陷。这是通过高斯过程回归对采样状态点的相进行插值实现的。获取函数量化可能下一个状态点的信息量,使随后每个采样状态点的信息内容最大化。我们还将该方法用最先进的批量采样技术加以推广,以更好地利用并行计算资源。我们在几个与软物质物理相关的示例模拟中展示了方法的有用性,尽管我们的算法是通用的。我们这种主动学习增强的相图采样方法极大加速了研究,并为通过模拟或实验对广泛相图进行超大规模探索开辟了机遇。
引用
@article{arxiv.1803.03296,
title = {Efficient Phase Diagram Sampling by Active Learning},
author = {Chengyu Dai and Isaac R. Bruss and Sharon C. Glotzer},
journal= {arXiv preprint arXiv:1803.03296},
year = {2018}
}