通过队列优先级引导主动学习工作流程向新材料发现迈进
机器学习
2025-10-01 v1 材料科学
人工智能
摘要
生成式 AI 在科学领域的逆向设计问题中既带来机遇，也带来风险。生成工具能够自主扩展和细化搜索空间，但以消耗在低质量区域的资源为代价，直到模型足够调优为止。为此，我们提出了一种结合生成式建模和主动学习的队列优先级算法，用于复杂设计空间的分布式工作流程。我们发现，纳入主动学习模型以优先排序顶级设计候选者，可防止生成式 AI 工作流程在无意义的候选者上消耗资源，并可延缓潜在的生成模型衰减。对于现有的用于发现新分子结构候选者（用于碳捕获）的生成式 AI 工作流程，我们的主动学习方法显著增加了高质量候选者的数量。我们发现，在 1000 个新候选者中，未使用主动学习的工作流程平均生成 281 个高性能候选者，而我们提出的优先级排序与主动学习结合的工作流程平均生成 604 个高性能候选者。
引用
@article{arxiv.2509.25538,
title = {Steering an Active Learning Workflow Towards Novel Materials Discovery via Queue Prioritization},
author = {Marcus Schwarting and Logan Ward and Nathaniel Hudson and Xiaoli Yan and Ben Blaiszik and Santanu Chaudhuri and Eliu Huerta and Ian Foster},
journal= {arXiv preprint arXiv:2509.25538},
year = {2025}
}