基于贝叶斯主动学习的实时闭环自主材料发现
材料科学
2020-12-16 v2 机器学习
摘要
主动学习——致力于最优实验设计的机器学习（ML）领域，早在18世纪Laplace用它指导发现天体力学时就已在科学中发挥作用[1]。在这项工作中，我们将一个闭环、主动学习驱动的自主系统聚焦于另一重大挑战，即针对极其复杂的合成—工艺—结构—性能图景发现先进材料。我们展示了自主研究方法论（即自主假设定义与评估），其可使复杂的先进材料触手可及，让科学家在其研究中更聪明地失败、更快地学习、耗费更少资源，同时提升对科学结果与机器学习工具的信任。此外，这种机器人科学实现了网络之上的科学，减少了科学家与实验室物理分离的经济影响。我们将用于材料探索与优化的实时闭环自主系统（CAMEO）用于同步辐射光束线，以加速快速相图绘制与性能优化这些根本互联的任务，每个周期耗时数秒至数分钟，从而发现了一种新型外延纳米复合相变存储材料。
引用
@article{arxiv.2006.06141,
title = {On-the-fly Closed-loop Autonomous Materials Discovery via Bayesian Active Learning},
author = {A. Gilad Kusne and Heshan Yu and Changming Wu and Huairuo Zhang and Jason Hattrick-Simpers and Brian DeCost and Suchismita Sarker and Corey Oses and Cormac Toher and Stefano Curtarolo and Albert V. Davydov and Ritesh Agarwal and Leonid A. Bendersky and Mo Li and Apurva Mehta and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:2006.06141},
year = {2020}
}
备注
30 pages and 13 figures in PDF including Methods section