面向材料设计的不确定性感知混合变量机器学习
机器学习
2023-04-12 v3 材料科学
机器学习
摘要
数据驱动设计展现出加速材料发现的潜力，但由于搜索化学、结构与合成方法的巨大设计空间成本过高而具有挑战性。贝叶斯优化（Bayesian Optimization, BO）采用不确定性感知机器学习模型来选择有前景的设计进行评估，从而降低成本。然而，在材料设计中尤为重要的含数值与类别混合变量的 BO 尚未得到充分研究。本工作中，我们综述了混合变量机器学习不确定性量化的频率主义与贝叶斯方法。随后，我们使用每组中具有代表性的流行模型——基于随机森林的 Lolo 模型（频率主义）与潜变量高斯过程模型（贝叶斯）——对它们在 BO 中的性能进行了系统比较研究。我们考察了这两种模型在数学函数优化以及结构与功能材料性质优化中的效能，观察到其与问题维度和复杂性相关的性能差异。通过研究机器学习模型的预测与不确定性估计能力，我们对观察到的性能差异提供了解释。我们的结果为在材料设计的混合变量 BO 中选择频率主义或贝叶斯不确定性感知机器学习模型提供了实用指导。
引用
@article{arxiv.2207.04994,
title = {Uncertainty-Aware Mixed-Variable Machine Learning for Materials Design},
author = {Hengrui Zhang and Wei Wayne Chen and Akshay Iyer and Daniel W. Apley and Wei Chen},
journal= {arXiv preprint arXiv:2207.04994},
year = {2023}
}