材料科学模拟的高效代理模型：基于机器学习的微观结构性质预测
机器学习
2023-11-15 v2 材料科学
计算机视觉与模式识别
摘要
确定、理解与预测所谓的结构-性质关系是化学、生物学、气象学、物理学、工程学与材料科学等诸多学科中的重要任务。结构指的是物质、材料或一般物质在空间上的分布，而性质是一种由此产生的特征，通常以非平凡的方式依赖于结构的空间细节。传统上，正向模拟模型被用于此类任务。近来，若干机器学习算法已被应用于这些科学领域，以增强和加速模拟模型或作为代理模型。本工作中，我们基于材料科学领域的两个不同数据集开发并研究了六种机器学习技术的应用：来自二维伊辛模型用于预测磁畴形成的数以及代表来自 Cahn-Hilliard 模型的双相微观结构演化的数据。我们分析了所有模型的准确性与鲁棒性，并阐明了其性能差异的原因。研究了通过定制特征引入领域知识的影响，并据此得出基于训练数据可用性与质量的通用建议。
引用
@article{arxiv.2309.00305,
title = {Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties},
author = {Binh Duong Nguyen and Pavlo Potapenko and Aytekin Dermici and Kishan Govind and Sébastien Bompas and Stefan Sandfeld},
journal= {arXiv preprint arXiv:2309.00305},
year = {2023}
}