Apr, 2024

贝叶斯协同导航：通过主动学习实现材料数字孪生动态设计

PDF
TL;DR通过贝叶斯共同导航理论模型空间和实验来实现理论在循环中的集成，以减小实验对象空间的认识不确定性，进而创建包括关联部分和理论模型本身的材料结构数字孪生体，具有广泛的应用前景。
theory in the loop automated experimentbayesian co-navigationsurrogate modelsdigital twinsmaterial structures
发现论文，激发创造
  • 一种动态贝叶斯优化的主动推荐系统，用于以好奇心驱动的人为中心的自动实验

    通过人为干预的贝叶斯优化主动推荐系统 (BOARS)，实现对实验目标的动态控制并结合机器学习算法进行优化，在铁电薄膜表面的压电响应力谱中得出对称压电响应振幅滞环的影响因素，在实验领域进行了跨学科探索。

    Apr, 2023

  • 加速物理发现的非交互性和交互性多保真贝叶斯优化：当前挑战和未来机遇

    在计算材料发现领域，通过多样的交互工作流程和基于贝叶斯优化的多层次恒定调整，结合数据、物理和实时人工决策，提高了对多维参数空间的探索效率。

    Feb, 2024

  • 多目标优化与主动学习完全自主材料设计框架：挑战和下一步

    利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

    Apr, 2023

  • 通过数据融合学习材料的结构 - 性能关系：贝叶斯共区相关 N 维分段函数学习

    应用贝叶斯算法的 SAGE 算法通过多模态核主成分分析将来自不同数据源的知识合并，学习合成 - 结构 - 性能关系，从而克服高维复杂材料搜索空间和知识融合的挑战。

    Nov, 2023

  • 使用数据驱动的实验设计和好校准的不确定性估计进行高维材料和工艺优化

    提出了一种利用数据驱动模型加速材料发现优化过程的方法，该方法可以指导科学家先测试最有前途的候选者，并结合不确定性分析为探索高不确定度的候选者和利用参数空间高性能区域提供建议。该方法在材料科学领域的四个测试案例表明，比随机猜测平均少三倍的实验次数就找到了最佳候选方案。

    Apr, 2017

  • 通过主动学习进行预测性规模跨越模拟

    本文介绍了一种利用活跃学习方法进行局部精细模拟指导宏观流体动力学的新方法，以解决计算科学中存在的数值模拟需求和计算效率之间的挑战。

    Sep, 2022

  • 机器学习加速的模拟使得无启发式表面重建成为可能

    使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

    May, 2023

  • 土木工程结构的数字孪生框架

    本研究提出了一种基于预测性数字孪生的方法，用于土木工程结构的健康监测、维护和管理规划，通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测，并利用此信息用于动态决策框架中的维护和管理行动的优化规划。通过两个综合案例研究，验证了该方法对健康感知数字孪生的动态决策能力。

    Aug, 2023

  • 基于贝叶斯自主材料相图制图的人工智能辅助系统

    该研究提出一种方法，即将人类的先前知识融合到自动实验中，可用于材料研究中的相图绘制，并证明了加入人类先验知识对绘制精度的显著提高。

    Jun, 2023

  • 基于实验、众包、模拟和学习的端到端相场模型发现

    通过 AI 驱动的科学发现，我们提供了一种自动从实验数据中发现相场物理模型的方案，结合了实验、众包、模拟和学习的全流程。我们的平台在分析极端条件下材料的纳米结构演变中被应用，揭示了手动分析无法检测到的纳米空缺缺陷的新特性。

    Sep, 2023