基于张量完成的晶格结构最优设计的代理模型
机器学习
2025-10-10 v1
摘要
在设计新材料时，常需设计具备特定所需性质的材料。然而，随着设计变量的增加，搜索空间呈指数级增长，这使得合成和验证每种材料的属性变得不切实际且耗时。本文聚焦于就机械性能设计最优晶格结构。计算方法，包括机器学习（ML）方法，已显示在加速材料设计方面取得改进成功。然而，这些ML方法在训练数据（即来自非均匀随机抽样的实验验证材料）来自搜索空间非均匀抽样的情况下仍显不足。例如，实验人员可能会因便利性而更频繁地合成和验证某些材料。因此，我们建议使用张量完成作为代理模型，以加速这些典型监督学习场景中材料的设计。在我们的实验中，我们表明张量完成在来自有偏抽样的搜索空间方面，优于高斯过程和XGBoost等经典ML方法，提高约5%的R²。此外，张量完成在整个搜索空间均匀随机抽样情况下仍能提供可比的性能。
引用
@article{arxiv.2510.07474,
title = {Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion},
author = {Shaan Pakala and Aldair E. Gongora and Brian Giera and Evangelos E. Papalexakis},
journal= {arXiv preprint arXiv:2510.07474},
year = {2025}
}
备注
NeurIPS 2025 AI4Mat Workshop