材料稳定性的概率预测：将凸包融入主动学习
材料科学
2024-02-27 v1
摘要
主动学习是高效探索复杂空间的有价值工具，在材料科学中有多种用途。然而，相图凸包的确定由于其全局性质，并不完全适合传统的主动学习方法。具体来说，材料的热力学稳定性不仅仅是其自身能量的函数，还需要所有其他竞争组成和相的能量信息。在这里，我们提出了凸包感知主动学习 (CAL)，这是一种新颖的贝叶斯算法，它选择实验以最小化凸包的不确定性。CAL 优先考虑接近或位于凸包上的组成，而其他很快被确定为与凸包无关的组成则保留显著的不确定性。因此，与仅关注能量的方法相比，凸包可以用显著更少的观测来预测。这种贝叶斯方法固有的不确定性量化体现在凸包和所有后续预测（例如，稳定性和化学势）中。通过提供更高的搜索效率和不确定性量化，CAL 可以很容易地纳入新兴的基于不确定性的热力学预测工作流程范式。
引用
@article{arxiv.2402.15582,
title = {Probabilistic Prediction of Material Stability: Integrating Convex Hulls into Active Learning},
author = {Andrew Novick and Diana Cai and Quan Nguyen and Roman Garnett and Ryan Adams and Eric Toberer},
journal= {arXiv preprint arXiv:2402.15582},
year = {2024}
}