橡树岭国家实验室AM: 假设学习用于探索自动化实验中的物理发现

目前，机器学习正迅速成为通过自动化、高通量合成及散射和电子/探针显微镜的主动实验进行物理发现的一个组成部分。反之，这迫切需要开发能够以最少的步骤探索相关参数空间的主动学习方法。

在此，美国橡树岭国家实验室Maxim Ziatdinov, Sergei V. Kalinin等人通过将结构化高斯过程（sGP）与强化学习（RL）策略相结合，引入了一种基于假设和实验空间共同引导的主动学习方法并将其命名为假设学习。在主动学习期间，系统行为的正确模型会降低所研究系统的整体贝叶斯不确定性。

该方法由短的预热阶段和探索阶段组成，并假设在参数空间的随机/统一初始化坐标处存在多个测量值（“种子”测量值）。预热阶段的作用是为探索阶段产生“动力”，因为主动学习设置的目标是用最少的步骤来发现整体数据分布。

此外，还必须向算法提供一个概率模型列表。这些模型可以作为独立的参数模型，也可以将其包装到sGP中。在经典实验设置下，一旦薄膜生长/材料被合成，该方法就会自动探索其特性并根据结果选择新的探索点（不同的成分或生长条件）。

图1. 该方法用于Sm掺杂BiFeO₃样品的PFM结果

这种方法非常类似于经典的人类驱动的物理发现，通过可调节参数的模型来实现几个替代假设并在实验中进行测试。接下来，作者通过使用压电响应力显微镜（PFM）测量探索Sm掺杂BiFeO₃中浓度引起的相变展示了这种方法。

总之，该研究所提出的方法为扫描探针或其他成像方法与材料科学之间的协同研究提供了强有力的证明。虽然传统的组合研究受限于对库中材料结构和功能进行量化的需要，但这项聚焦X射线方法和扫描探针显微镜的最新进展提供了一种解决方案。

同时，本文提出的假设驱动的高斯过程框架进一步允许物理模型之间的合并和选择。虽然该方法在此研究中仅针对1D情况的应用，但可直接将其扩展到更高维的参数空间和更复杂的物理问题。

图2. “自动化科学家”的概念

Hypothesis learning in automated experiment: application to combinatorial materials libraries, Advanced Materials 2022. DOI: 10.1002/adma.202201345

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/849f74c9a9/

橡树岭国家实验室AM: 假设学习用于探索自动化实验中的物理发现

相关推荐