小数据 regime 下随机材料微观结构的自监督优化
机器学习
2021-08-06 v1 机器学习
摘要
尽管工艺-结构-性能链条的正向与逆向建模已受到材料学界的大量关注，但较少有研究考虑不确定性。这些不确定性源于多种来源，在其量化并融入反演过程对于实现材料设计目标至关重要。本文的第一个贡献是此类优化问题的一种灵活的、完全概率性的表述，其考虑了工艺-结构与结构-性能关联中的不确定性，并能够识别最优的高维工艺参数。我们采用了一个概率性的、数据驱动的代理模型来表示结构-性能关联，从而加速计算并能够处理非微分目标。我们将其与一种新颖的主动学习策略相结合，即自监督的数据收集，其在仅需少量训练数据的情况下显著提高了精度。我们在优化两相随机介质的力学与热学性能方面展示了其有效性，但设想其适用性涵盖各种各样的微观结构敏感设计问题。
引用
@article{arxiv.2108.02606,
title = {Self-supervised optimization of random material microstructures in the small-data regime},
author = {Maximilian Rixner and Phaedon-Stelios Koutsourelakis},
journal= {arXiv preprint arXiv:2108.02606},
year = {2021}
}