机器中的物理:在自主相图绘制中融入物理知识
材料科学
2022-02-17 v2 机器学习
摘要
过去数十年间,人工智能(AI),更具体地机器学习,在物理科学中的应用已显著扩展。尤其是科学知会型 AI(亦称科学 AI 或归纳偏置 AI)已从聚焦于数据分析,发展到在闭环自主系统中控制实验设计、模拟、执行与分析。CAMEO(闭环自主材料探索与优化)算法采用科学 AI 应对两项任务:学习材料体系的成分-结构关系,以及识别具有最优功能特性的材料成分。通过整合这两者,展示了跨成分相图的材料加速筛选,并由此发现了同类最佳的相变存储材料。成功的关键在于引导后续测量以最大化对成分-结构关系(即相图)的认知。本工作中,我们研究将不同层次的先验物理知识融入 CAMEO 自主相图绘制所带来的益处。这包括使用来自 AFLOW 仓储的从头算相边界数据,其作为先验时已证明可优化 CAMEO 的搜索。
引用
@article{arxiv.2111.07478,
title = {Physics in the Machine: Integrating Physical Knowledge in Autonomous Phase-Mapping},
author = {A. Gilad Kusne and Austin McDannald and Brian DeCost and Corey Oses and Cormac Toher and Stefano Curtarolo and Apurva Mehta and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:2111.07478},
year = {2022}
}