利用计算机视觉与深度学习预测固结分子固体的抗压强度
计算物理
2020-03-02 v3 材料科学
摘要
我们探索计算机视觉和机器学习（ML）技术在基于 SEM 图像预测材料性质（如抗压强度）方面的应用。我们表明，可以训练 ML 模型仅基于 SEM 图像预测材料性能，并在预测固结分子固体样品单轴压缩峰值应力的现实问题上展示了该能力。相较于代表当前最佳实践的基线（即领域专家分析和相关性分析），我们基于图像的 ML 方法平均将平均绝对百分比误差（MAPE）降低了 24%。我们比较了两种互补的方法：(1) 使用最先进计算机视觉特征的传统 ML 方法随机森林（RF）；(2) 端到端深度学习（DL）方法，其中特征从原始图像中自动学习。我们展示了这些方法的互补性，表明 RF 在许多现实科学应用所处的“小数据”体制下表现最佳（RMSE 比 DL 低至多 24%），而 DL 在可获得大量训练样本的“大数据”体制下超越 RF（RMSE 比 RF 低至多 24%）。最后，我们证明使用机器学习技术训练的模型能够发现并利用此前未被领域专家充分利用的晶体属性信息。
引用
@article{arxiv.1906.02130,
title = {Predicting Compressive Strength of Consolidated Molecular Solids Using Computer Vision and Deep Learning},
author = {Brian Gallagher and Matthew Rever and Donald Loveland and T. Nathan Mundhenk and Brock Beauchamp and Emily Robertson and Golam G. Jaman and Anna M. Hiszpanski and T. Yong-Jin Han},
journal= {arXiv preprint arXiv:1906.02130},
year = {2020}
}