机器学习材料物理：替代相场动力学的代理优化与多保真算法预测析出相形貌
计算物理
2018-12-05 v4
摘要
机器学习在检测模式以及预测不受自然规律支配的系统响应方面一直很有效。例子包括学习人群动力学、推荐系统和自主移动。也有应用于搜索与大数据分类问题相关的新材料。然而，对于受守恒定律支配的物理系统，机器学习的作用更为有限。在此，我们展示近期在探索机器学习方法发现或辅助搜索物理规律中的作用的工作。具体而言，我们聚焦于使用机器学习算法表示高维自由能面，以识别合金系统中的析出相形貌为目标。传统上，该问题通过结合相场模型（施加一阶动力学）与弹性学遍历自由能景观以搜索极小值来处理。平衡析出相形貌出现于这些极小值处。在此，我们利用机器学习方法表示高维数据，结合代理优化、敏感性分析和多保真建模，作为探索由能量极值控制的现象的替代框架。这种数据驱动方法的组合提供了通过相场方法施加一阶动力学的替代方案，并代表了机器学习材料物理的一种途径。
引用
@article{arxiv.1806.00503,
title = {Machine learning materials physics: Surrogate optimization and multi-fidelity algorithms predict precipitate morphology in an alternative to phase field dynamics},
author = {Gregory Teichert and Krishna Garikipati},
journal= {arXiv preprint arXiv:1806.00503},
year = {2018}
}