自动化实验中的假设学习：在组合材料库中的应用
材料科学
2022-04-22 v3 数据分析、统计与概率
摘要
通过自动化与高通量合成，以及散射与电子/探针显微镜中的主动实验，机器学习正迅速成为实验物理发现不可或缺的一部分。这进而需要开发能够以最少步数探索相关参数空间的主动学习方法。在此我们提出一种基于假设空间与实验空间协同导航的主动学习方法。该方法通过将包含系统可能行为（假设）概率模型的结构化高斯过程与强化学习策略精炼（发现）相结合来实现。这种方法与经典的人类驱动物理发现极为相似，即在实验中通过带可调参数的模型检验若干备选假设。我们以使用压电响应力显微镜探索 Sm 掺杂 BiFeO3 组合库中的浓度诱导相变为例展示了该方法，但一旦实验流程与假设生成就绪，便可直接推广至更高维参数空间与更复杂的物理问题。
引用
@article{arxiv.2112.06649,
title = {Hypothesis Learning in Automated Experiment: Application to Combinatorial Materials Libraries},
author = {Maxim Ziatdinov and Yongtao Liu and Anna N. Morozovska and Eugene A. Eliseev and Xiaohang Zhang and Ichiro Takeuchi and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2112.06649},
year = {2022}
}
备注
Fixed typo in Eq. 1. Expanded the introduction part. The code reproducing Algorithm 1 is available at https://github.com/ziatdinovmax/hypoAL