通过可解释机器学习进行材料开发
材料科学
2019-03-07 v1 计算物理
摘要
机器学习技术有望成为科学发现的强大工具。特别是，材料开发（通过发现新的和更优的功能材料已带来大量创新）是最具吸引力的科学领域之一。为将机器学习应用于实际材料开发，科学家与机器学习之间的协作正变得不可或缺。然而，由于黑箱机器学习，科学家难以从材料科学与物理学的视角解释数据驱动模型，此类协作迄今受到限制。在此，我们展示一个由科学家与一类称为因子化渐近贝叶斯推断专家层次混合（FAB/HMEs）的可解释（可解释性）机器学习良好协作而取得的材料开发成功案例。基于材料科学与物理学，我们解释了由 FAB/HMEs 构建的数据驱动模型，从而发现了关于热电材料的惊人关联与知识。在此指导下，我们进行了实际的材料合成，鉴定出一种具有迄今最大热电势的新型自旋驱动热电材料。
引用
@article{arxiv.1903.02175,
title = {Materials development by interpretable machine learning},
author = {Yuma Iwasaki and Ryoto Sawada and Valentin Stanev and Masahiko Ishida and Akihiro Kirihara and Yasutomo Omori and Hiroko Someya and Ichiro Takeuchi and Eiji Saitoh and Yorozu Shinichi},
journal= {arXiv preprint arXiv:1903.02175},
year = {2019}
}
备注
17 pages, 5 figures