用于非弹性中子散射数据分析与理解的具可解释性、经校准的神经网络
材料科学
2021-05-26 v2 无序系统与神经网络
摘要
深度神经网络提供了灵活的学习数据表示及将数据与其他属性相关联的函数框架，并常被宣称在推断输入数据与期望属性之间的关系方面达到“超人”性能。然而，在非弹性中子散射实验的背景下，正如许多其他科学场景一样，会出现若干问题：（i）标记实验数据的稀缺，（ii）结果缺乏不确定性量化，以及（iii）深度神经网络缺乏可解释性。在本工作中，我们考察了针对所有这三个问题的方法。我们使用模拟数据训练深度神经网络以区分半掺杂锰氧化物的两种可能磁交换模型。我们应用最近开发的确定性不确定性量化方法来提供分类的误差估计，并在此过程中展示了训练数据中仪器分辨率的真实表示对于实验数据上可靠估计的重要性。最后，我们使用类激活图来确定谱的哪些区域对网络得出的最终分类结果最为重要。
引用
@article{arxiv.2011.04584,
title = {Interpretable, calibrated neural networks for analysis and understanding of inelastic neutron scattering data},
author = {Keith T. Butler and Manh Duc Le and Jeyarajan Thiyagalingam and Toby G. Perring},
journal= {arXiv preprint arXiv:2011.04584},
year = {2021}
}