面向材料设计的多保真度机器学习与不确定性量化及贝叶斯优化：三元随机合金中的应用
计算物理
2020-08-06 v3 计算工程、金融与科学
原子物理
摘要
我们提出了一种基于多保真度（MF）机器学习（ML）框架的跨尺度方法，利用高斯过程（GP）融合多个保真度层次的原子尺度计算模型预测。通过 MFGP 的后验方差，我们的框架自然实现了不确定性量化，提供预测置信度的估计。我们使用密度泛函理论作为高保真预测，而使用 ML 原子间势作为低保真预测。通过复现全铝-铌-钛三元随机合金成分空间中感兴趣量（体模量）的三元成分依赖性，展示了实际材料设计效率。随后将 MFGP 与贝叶斯优化过程耦合，并通过在三元成分空间中执行体模量全局最优的实时搜索，证明了该方法的计算效率。本手稿提出的框架是 MFGP 首次应用于原子尺度材料模拟，融合密度泛函理论与经典原子间势计算之间的预测。
引用
@article{arxiv.2006.00139,
title = {Multi-fidelity machine-learning with uncertainty quantification and Bayesian optimization for materials design: Application to ternary random alloys},
author = {Anh Tran and Julien Tranchida and Tim Wildey and Aidan P. Thompson},
journal= {arXiv preprint arXiv:2006.00139},
year = {2020}
}