物理约束自编码器辅助贝叶斯优化：用于高维缺陷敏感单晶结构的精炼
材料科学
2026-01-06 v1 机器学习
摘要
材料的物理属性和功能由全局晶体结构以及局部缺陷共同决定。要建立结构-性能关系，既需要晶体学对称性，又需要关于缺陷的定量知识。本文提出一种混合机器学习框架，将物理约束变分自编码器（pcVAE）与不同贝叶斯优化（BO）方法相结合，系统性地加速并改进单晶结构缺陷敏感精炼。我们选取具有良好标度和物理相关性的粟糠结构 Ho2Ti2O7作为模型系统，并采用GSAS2软件包对晶体参数进行基准测试。然而，这些材料系统的函数空间高度非线性，限制了传统Rietveld精炼等优化器陷入局部最小值。此外，这些简单方法不提供对整体函数空间的广泛学习，这对于大规模、耗时的探索以识别各种潜在兴趣区域至关重要。因此，我们提出通过预训练pcVAE辅助BO和稀疏轴对齐BO来探索缺陷敏感系统的高维结构参数。pcVAE将由数千个独立测量的衍射数据投影到低维潜在空间，同时强制尺度不变性和物理相关性。随后通过BO方法，我们旨在最小化基于L2范数的χ²误差，在实验与模拟衍射图案之间在实数空间和潜在空间中分别进行，从而将精炼引向潜在最优晶体结构参数。我们比较了不同pcVAE辅助BO、非pcVAE辅助BO和Rietveld精炼的结果。
关键词
引用
@article{arxiv.2601.00855,
title = {Physically-Constrained Autoencoder-Assisted Bayesian Optimization for Refinement of High-Dimensional Defect-Sensitive Single Crystalline Structure},
author = {Joseph Oche Agada and Andrew McAninch and Haley Day and Yasemin Tanyu and Ewan McCombs and Seyed M. Koohpayeh and Brian H. Toby and Yishu Wang and Arpan Biswas},
journal= {arXiv preprint arXiv:2601.00855},
year = {2026}
}
备注
15 pages, 8 figures