玻璃硬度：基于符号推理增强机器学习的成分与载荷效应预测
材料科学
2023-01-20 v1
摘要
玻璃硬度随化学成分和施加载荷呈非线性变化，这一现象称为压痕尺寸效应（ISE），其定量预测具有挑战性。在此，利用从文献中整理的包含成分、压痕载荷和硬度、约 3000 种无机玻璃的精选数据集，我们开发了机器学习（ML）模型来预测维氏硬度的成分与载荷依赖性。有趣的是，当在标准数据驱动的 ML 模型上测试训练期间未见过的新玻璃成分时，该模型未能捕捉 ISE。为弥补这一不足，我们将描述 ISE 的经验表达式（Bernhardt 定律）与 ML 相结合，开发了一个将代表领域推理的符号定律纳入 ML 的框架，即符号推理增强机器学习流程（SRIMP）。我们表明，所得 SRIMP 在预测 ISE 方面优于数据驱动的 ML 模型。最后，我们对 SRIMP 模型进行解释，以理解玻璃网络形成体与修饰体对成分和载荷依赖（ISE）及载荷无关硬度的贡献。将硬度解耦为载荷依赖项和载荷无关项，为全面理解玻璃中的成分与 ISE 铺平了道路，从而加速发现具有目标硬度的新玻璃成分。
引用
@article{arxiv.2301.08073,
title = {Glass Hardness: Predicting Composition and Load Effects via Symbolic Reasoning-Informed Machine Learning},
author = {Sajid Mannan and Mohd Zaki and Suresh Bishnoi and Daniel R. Cassar and Jeanini Jiusti and Julio Cesar Ferreira Faria and Johan F. S. Christensen and Nitya Nand Gosvami and Morten M. Smedskjaer and Edgar Dutra Zanotto and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:2301.08073},
year = {2023}
}