面向约束感知合金设计的物理信息高斯过程分类
材料科学
2025-02-18 v1 机器学习
摘要
合金设计可以作为约束满足问题来表述。基于前述方法，我们提出将物理信息化的先验均值函数嵌入高斯过程分类器 (Gaussian Process Classifier, GPC)，以建模可行设计空间的边界。通过三个案例研究，我们突出了对连续属性和分类属性约束处理的信息化先验的实用性。 (1) 相稳定性：通过将 CALPHAD 预测作为固溶相稳定性的先验，我们使用公开的 XRD 数据集增强了模型验证。 (2) 相稳定性预测精炼：我们展示了一种体内学习方法，以高效纠正相图。 (3) 连续属性阈值：通过将先验嵌入连续属性模型，我们加速了满足特定属性阈值的合金发现，通过主动学习实现。在每种情况下， 将物理观察整合到分类框架中显著提高了模型性能，表明这是一种高效的约束感知合金设计策略。
引用
@article{arxiv.2502.11369,
title = {Physics-Informed Gaussian Process Classification for Constraint-Aware Alloy Design},
author = {Christofer Hardcastle and Ryan O Mullan and Raymundo Arroyave and Brent Vela},
journal= {arXiv preprint arXiv:2502.11369},
year = {2025}
}