基于高斯过程的质量控制主动学习用于自主显微中的稳健结构-性质学习
机器学习
2026-04-01 v1
摘要
自主实验系统正在被广泛用于材料研究以加速科学发现，但其性能往往受限于低质量、嘈杂的数据。对于数据密集型的结构-性质学习任务（如 Image-to-Spectrum (Im2Spec) 和 Spectrum-to-Image (Spec2Im) 转换），这一问题尤为突出，标准的主动学习策略可能误选质量较差的测量。我们引入一种门控式主动学习框架，将好奇心驱动的采样与基于简谐振子模型拟合的物理信息质量控制过滤相结合，使系统能够在获取过程中自动排除低保真数据。针对 PbTiO3 薄膜中具有空间局部噪声的带激发态仪表谱 (BEPS) 数据，实验表明所提方法优于随机采样、标准主动学习和多任务学习策略。该门控方法在处理训练和获取过程中的噪声方面显著提升了 Im2Spec 和 Spec2Im 的性能，实现更可靠的前向和逆向预测。相比之下，标准主动学习器常将噪声误解为不确定性，进而获取质量较差的样本，损害性能。鉴于其前景， 我们进一步在 BiFeO3 薄膜上的实际实时实验中部署了该框架，证明其在真实自主显微实验中的有效性。总体而言，本工作支持向自动实验室的混合自主性转型，即物理信息质量评估与主动决策相结合，以实现更可靠的发现。
引用
@article{arxiv.2603.29135,
title = {Quality-Controlled Active Learning via Gaussian Processes for Robust Structure-Property Learning in Autonomous Microscopy},
author = {Jawad Chowdhury and Ganesh Narasimha and Jan-Chi Yang and Yongtao Liu and Rama Vasudevan},
journal= {arXiv preprint arXiv:2603.29135},
year = {2026}
}
备注
22 pages, 12 figures, 2 tables; submitted to npj Computational Materials