基于闭环贝叶斯优化的实验喷墨硬件在线预调节
计算机视觉与模式识别
2021-05-07 v1 机器学习
图像与视频处理
摘要
钙钛矿等高性能半导体光电器件具有 governing 材料性能属性的高维且广阔的组分空间。为了以高性价比搜索这些组分空间,我们采用了一种高通量实验方法,即通过喷墨沉积快速打印离散液滴,其中每个液滴由半导体材料的独特排列组成。然而,喷墨打印系统并未针对半导体材料的高通量实验进行优化。因此,在这项工作中,我们开发了一个计算机视觉驱动的贝叶斯优化框架,用于优化喷墨打印机沉积的液滴结构,从而将其调谐以执行半导体材料的高通量实验。该框架的目标是在最短时间内使用最少数量的液滴样本调谐到喷墨打印机的硬件条件,从而最小化将系统设置为材料发现应用所花费的时间和资源。我们展示了通过计算机视觉评分液滴结构的贝叶斯优化,在 10 分钟内收敛到最优喷墨硬件条件。我们将贝叶斯优化结果与随机梯度下降进行了比较。
引用
@article{arxiv.2105.02858,
title = {Online Preconditioning of Experimental Inkjet Hardware by Bayesian Optimization in Loop},
author = {Alexander E. Siemenn and Matthew Beveridge and Tonio Buonassisi and Iddo Drori},
journal= {arXiv preprint arXiv:2105.02858},
year = {2021}
}
备注
10 pages