基于主动学习加速材料库高通量表征：自主电阻测量
材料科学
2023-07-03 v1 计算物理
摘要
高通量实验能够高效探索搜索空间，以发现和优化新材料。然而，诸如成分复杂材料的大型搜索空间，需要显著缩短表征时间。本文开发了一种自主测量算法，其利用基于高斯过程模型的主动学习，能够根据最高不确定性迭代扫描材料库。该算法应用于四探针电阻测量装置，该装置常用于获取材料库中感兴趣区域的指示。分析了十个具有不同成分与性质趋势复杂度的材料库以验证模型。通过在表征整个库之前停止过程并预测剩余测量区域，测量效率可大幅提升。由于鲁棒性对自主测量至关重要，模型内建了固有离群值处理，并提出了基于平均预测协方差的动态停止准则。在仍保证 90% 以上精度的同时，观测到测量时间减少约 70-90%。
引用
@article{arxiv.2306.17277,
title = {Speeding up high-throughput characterization of materials libraries by active learning: autonomous electrical resistance measurements},
author = {Felix Thelen and Lars Banko and Rico Zehl and Sabrina Baha and Alfred Ludwig},
journal= {arXiv preprint arXiv:2306.17277},
year = {2023}
}