积极学习以快速定位合成复杂化合物合金

科学领域:

• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.
• 计算材料科学科学 计算材料科学

背景情况:

• 先进的材料合成越来越专注于复杂的组成,在实现精确的元素比率方面提出了重大挑战.
• 优化这些材料的合成参数是耗时的,并且随着构成复杂度的提高而变得更加困难.
• 当前的方法,即使是经验丰富的操作员,在合成参数相结合时也难以保持一致性,阻碍了快速的材料勘探.

研究的目的:

• 展示一种主动学习 (AL) 方法,以优化含有多达五个主要元素的薄膜合金的物理蒸汽沉积 (PVD) 合成.
• 为了比较高斯过程 (GP) 和基于随机森林 (RF) 的AL模型对材料合成优化的有效性.
• 探索使用预训练模型的转移学习的应用,以加快新材料组合的发现.

主要方法:

• 实施了积极学习 (AL) 框架,以指导物理蒸汽沉积 (PVD) 合成参数的优化.
• 在AL循环中使用高斯过程 (GP) 和随机森林 (RF) 机器学习模型来预测最佳合成条件.
• 研究了转移学习策略,利用在更简单 (三元,四元) 或相关组合上训练的模型,对复杂 (五元) 合金进行预训练模型.

主要成果:

• 性能最好的AL模型成功地在14次代内确定了目标金合金的合成参数.
• 随机森林和高斯过程模型在低维 (三元,四元) 系统上预训练时,与仅在五元数据上训练的模型相比,显示出更好的预测准确性.
• 样本与目标组合共享共同元素的预训练也产生了性能改进,展示了AL方法的适应性.

结论:

• 积极学习 (AL) 提供了一种强大而可适应的策略,以加速对复杂的薄膜合金进行物理蒸汽沉积 (PVD) 合成的优化.
• 转移学习的使用通过利用相关材料系统的知识,显著提高了AL模型的效率.
• 这种方法具有很大的潜力,可以加速对各种先进,复杂的材料的探索和发现.