利用机器学习在稀疏数据集下预测玻璃的杨氏模量
材料科学
2019-10-02 v1 计算物理
摘要
机器学习（ML）方法正成为预测和设计新材料的热门工具。其中，神经网络（NN）是一种有前景的 ML 方法，可用于识别数据中的隐藏趋势。然而，这些方法依赖大型数据集，且在用于稀疏数据集时常常出现过拟合。此外，对新数据集或当前数据集外推时评估预测的不确定性颇具挑战。本文中，我们利用高斯过程回归（GPR）预测具有稀疏数据集的硅酸盐玻璃的杨氏模量。我们表明 GPR 在稀疏数据集下显著优于 NN，同时确保不过拟合。进一步，得益于非参数特性，GPR 在外推时提供预测可靠性的定量界限。总体而言，GPR 提出了一种先进的 ML 方法学，用于加速玻璃等新型功能材料的开发。
引用
@article{arxiv.1902.09776,
title = {Predicting Young's Modulus of Glasses with Sparse Datasets using Machine Learning},
author = {Suresh Bishnoi and Sourabh Singh and R. Ravinder and Mathieu Bauchy and Nitya Nand Gosvami and Hariprasad Kodamana and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:1902.09776},
year = {2019}
}
备注
17 pages, 5 figures