用于贝叶斯自主材料相图绘制的人在回路方法
材料科学
2023-06-21 v1 人机交互
机器学习
摘要
自主实验（AE）将机器学习与研究硬件自动化结合于闭环中，引导后续实验朝向用户目标。应用于材料研究时，AE 可加速材料探索，相较传统爱迪生式研究减少时间与成本。此外，整合来自理论、模拟、文献和领域专家等多样来源的知识可提升 AE 性能。领域专家可能提供解决难以自动化任务的独特知识。在此，我们提出一组将人类输入整合进自主材料探索活动以进行成分-结构相图绘制的方法。这些方法在从薄膜三元组合库收集的 X 射线衍射数据上得到演示。在活动的任意时刻，用户可基于其先验知识（例如类似材料体系相图的知识）通过指示感兴趣区域、可能相区域和可能相边界来选择提供输入，并量化其确定性。人类输入通过定义相图上的一组概率先验被整合。算法输出是在给定数据、模型和人类输入下潜在相图的概率分布。我们展示了在适当人类输入下相图绘制性能的显著提升。
引用
@article{arxiv.2306.10406,
title = {Human-In-the-Loop for Bayesian Autonomous Materials Phase Mapping},
author = {Felix Adams and Austin McDannald and Ichiro Takeuchi and A. Gilad Kusne},
journal= {arXiv preprint arXiv:2306.10406},
year = {2023}
}