以迁移学习应对数据稀缺：基于钙钛矿薄膜光学谱的厚度表征案例研究
机器学习
2022-12-21 v2 材料科学
图像与视频处理
光学
摘要
迁移学习日益成为处理机器学习中常遇数据稀缺问题的重要工具。在高通量自主工作流优化光电子薄膜之后的高通量厚度表征这一下游应用中，尤其对于新材料会出现数据稀缺。为实现高通量厚度表征，我们提出了一种称为 thicknessML 的机器学习模型，该模型从紫外-可见分光光度法输入预测厚度，并辅以一个总体迁移学习工作流。我们展示了从通用带隙材料通用源域到钙钛矿材料特定目标域的迁移学习工作流，其中目标域数据仅来自文献中数量有限（18）的折射率。目标域可通过少量文献数据轻松扩展至其他材料类别。将厚度预测精度定义为 10% 以内偏差，thicknessML 在迁移学习下达到 92.2%（偏差 3.6%）的准确率，而无迁移学习时为 81.8%（偏差 3.6%）且标准差更大（低均值、大标准差，此处原文 11.7% 疑为笔误）。对六块沉积钙钛矿薄膜的实验验证也佐证了该工作流的有效性，其平均绝对百分比误差（MAPE）为 10.5%。
引用
@article{arxiv.2207.02209,
title = {Tackling Data Scarcity with Transfer Learning: A Case Study of Thickness Characterization from Optical Spectra of Perovskite Thin Films},
author = {Siyu Isaac Parker Tian and Zekun Ren and Selvaraj Venkataraj and Yuanhang Cheng and Daniil Bash and Felipe Oviedo and J. Senthilnath and Vijila Chellappan and Yee-Fun Lim and Armin G. Aberle and Benjamin P MacLeod and Fraser G. L. Parlane and Curtis P. Berlinguette and Qianxiao Li and Tonio Buonassisi and Zhe Liu},
journal= {arXiv preprint arXiv:2207.02209},
year = {2022}
}