基于不变变分自编码器的奖励驱动最优微结构表示发现

Boris N. Slautin; Kamyar Barakati; Hiroshi Funakubo; Maxim A. Ziatdinov; Vladimir V. Shvartsman; Doru C. Lupascu; Sergei V. Kalinin

基于不变变分自编码器的奖励驱动最优微结构表示发现

机器学习 2025-10-02 v1 材料科学

作者: Boris N. Slautin , Kamyar Barakati , Hiroshi Funakubo , Maxim A. Ziatdinov , Vladimir V. Shvartsman , Doru C. Lupascu , Sergei V. Kalinin

在 arXiv 上查看 ↗ PDF ↗

摘要

显微技术生成大量复杂图像数据，这些数据原则上可用于发现更简单、可解释且約凑的形式，以揭示其背后的物理结构，例如分子系统中的基本构件或晶体材料中的序参量和相位。变分自编码器 (VAE) 提供了一种强大的构建低维表示的方法，但其性能严重依赖于多个非短视的设计选择，这些选择通常通过试错和经验分析进行优化。为实现 VAE 工作流程的自动化和无偏优化，我们研究了基于奖励的策略来评估潜在空间表示。我们使用介电力学显微镜数据作为模型系统，检查了可作为自动优化基础的多种政策和奖励函数。我们的分析表明，用高斯混合模型 (GMM) 和贝叶斯高斯混合模型 (BGMM) 近似潜在空间提供了强大的基石，用于构建能够估计模型效率并引导搜索最优約凑表示的奖励函数。

关键词

变分自编码器奖励优化微结构表示高斯混合模型介电力学显微镜

引用

@article{arxiv.2510.00243,
  title  = {Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders},
  author = {Boris N. Slautin and Kamyar Barakati and Hiroshi Funakubo and Maxim A. Ziatdinov and Vladimir V. Shvartsman and Doru C. Lupascu and Sergei V. Kalinin},
  journal= {arXiv preprint arXiv:2510.00243},
  year   = {2025}
}

备注

27 pages, 9 figures

基于不变变分自编码器的奖励驱动最优微结构表示发现

摘要

关键词

引用

备注

相关论文