面向高通量科学发现的多模态数据无监督物理信息解耦
机器学习
2022-02-08 v1 机器学习
摘要
我们引入物理信息多模态自编码器（PIMA）——一种变分推断框架，用于发现代表高通量测试的多模态科学数据集中的共享信息。各模态被嵌入共享潜空间，并通过专家乘积公式融合，使高斯混合先验能够识别共享特征。从聚类采样可实现跨模态生成建模，其中专家混合解码器施加编码先验科学知识的归纳偏置，并赋予潜空间结构化解耦。该方法能够发现可在高维异构数据集中检测到的指纹，避免了与传统高保真测量和表征相关的瓶颈。受材料制造工艺加速协同设计与优化的驱动，一个来自金属增材制造的晶格超材料数据集展示了介观拓扑图像与机械应力-应变响应之间准确的跨模态推断。
引用
@article{arxiv.2202.03242,
title = {Unsupervised physics-informed disentanglement of multimodal data for high-throughput scientific discovery},
author = {Nathaniel Trask and Carianne Martinez and Kookjin Lee and Brad Boyce},
journal= {arXiv preprint arXiv:2202.03242},
year = {2022}
}