结合实验、众包、仿真与学习的端到端相场模型发现
计算机视觉与模式识别
2023-11-23 v1 人工智能
摘要
TB级实验数据的可用性呼唤能够从数据中自动发现科学模型的AI驱动方法。然而，AI驱动的科学发现面临重大挑战：(i) 大规模数据集的标注需要重新思考可扩展众包工具的开发。(ii) 从数据学习科学模型需要超越黑盒神经网络的创新。(iii) 需要新颖的可视化与诊断工具，以促进实验物理学家、理论物理学家与计算机科学家的协作。我们提出Phase-Field-Lab平台用于端到端相场模型发现，该平台通过集成实验、众包、仿真与学习，从实验数据自动发现相场物理模型。Phase-Field-Lab结合：(i) 精简标注工具，将标注时间减少约50-75%，同时相比基线提升标注精度；(ii) 端到端神经模型，通过将相场仿真与现有领域知识嵌入学习，从数据自动学习相场模型；(iii) 新颖接口与可视化，将我们的平台整合进领域科学家的科学发现循环。我们的平台部署于极端条件（高温与辐照）下材料纳米结构演化的分析。我们的方法揭示了纳米空洞缺陷的新特性，这些特性无法通过人工分析检测到。
引用
@article{arxiv.2311.12801,
title = {End-to-end Phase Field Model Discovery Combining Experimentation, Crowdsourcing, Simulation and Learning},
author = {Md Nasim and Anter El-Azab and Xinghang Zhang and Yexiang Xue},
journal= {arXiv preprint arXiv:2311.12801},
year = {2023}
}