Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy

要約

材料における構造とプロパティの相関を迅速に決定することは、基本的なメカニズムをよりよく理解し、材料の設計を大幅に支援する上で重要な課題です。
顕微鏡では、イメージングデータは局所構造の直接測定を提供し、分光測定は関連する機能的プロパティ情報を提供します。
ディープカーネルのアクティブ学習アプローチは、顕微鏡実験の局所構造を機能的特性に迅速にマッピングするために利用されていますが、多次元および相関の出力スペースには計算高価です。
ここでは、エラー予測のためにディープラーニングベースの代理モデルを利用して、未開の構造とプロパティの関係を持つ領域を積極的にサンプリングする代替の軽量の好奇心アルゴリズムを提示します。
アルゴリズムは、構造からプロパティを予測するためのランダムサンプリングよりも優れていることを示し、材料科学における構造とプロパティの関係を効率的にマッピングするための便利なツールを提供することを示します。

要約(オリジナル)

Rapidly determining structure-property correlations in materials is an important challenge in better understanding fundamental mechanisms and greatly assists in materials design. In microscopy, imaging data provides a direct measurement of the local structure, while spectroscopic measurements provide relevant functional property information. Deep kernel active learning approaches have been utilized to rapidly map local structure to functional properties in microscopy experiments, but are computationally expensive for multi-dimensional and correlated output spaces. Here, we present an alternative lightweight curiosity algorithm which actively samples regions with unexplored structure-property relations, utilizing a deep-learning based surrogate model for error prediction. We show that the algorithm outperforms random sampling for predicting properties from structures, and provides a convenient tool for efficient mapping of structure-property relationships in materials science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google