Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning

要約

科学の進歩は普遍的に、理論的洞察、モデリング、実験的発見の間の動的な相互作用に基づいています。
ただし、このフィードバック ループは、コミュニティ間の相互作用の遅れや実験データの理論的枠組みへの段階的な統合など、遅くなることがよくあります。
この課題は、分子や複雑な微細構造などの高次元オブジェクト空間を扱う領域で特に悪化します。
したがって、自動化および自律的な実験セットアップ内での理論の統合、またはループ自動実験における理論の統合が、科学研究を加速するための重要な目標として浮上しています。
重要な点は、理論を使用するだけでなく、実験中にその場で理論を更新することです。
ここでは、理論モデル空間と実験のベイジアン協調ナビゲーションを通じて理論をループに統合する方法を紹介します。
私たちのアプローチは、実験と計算のレイテンシーとコストによって決定されるレートで、シミュレーションと実験の両方の領域の代理モデルを同時に開発することを活用し、実験オブジェクト空間にわたる認識論的不確実性を最小限に抑えるために理論モデル内の制御パラメーターを調整します。
この方法論は、相関部分を含む動作の代理モデルと理論モデル自体の両方を含む、材料構造のデジタル ツインの作成を容易にします。
ここでは強誘電体材料の機能的応答という文脈で実証しましたが、私たちのアプローチは、より広範な応用、ナノクラスターの光学特性、複雑な材料の微細構造に依存する特性、および分子システムの特性の探査に有望です。
資金調達をサポートする分析コードは、https://github.com/Slautin/2024_Co-navigation/tree/main で公開されています。

要約(オリジナル)

Scientific advancement is universally based on the dynamic interplay between theoretical insights, modelling, and experimental discoveries. However, this feedback loop is often slow, including delayed community interactions and the gradual integration of experimental data into theoretical frameworks. This challenge is particularly exacerbated in domains dealing with high-dimensional object spaces, such as molecules and complex microstructures. Hence, the integration of theory within automated and autonomous experimental setups, or theory in the loop automated experiment, is emerging as a crucial objective for accelerating scientific research. The critical aspect is not only to use theory but also on-the-fly theory updates during the experiment. Here, we introduce a method for integrating theory into the loop through Bayesian co-navigation of theoretical model space and experimentation. Our approach leverages the concurrent development of surrogate models for both simulation and experimental domains at the rates determined by latencies and costs of experiments and computation, alongside the adjustment of control parameters within theoretical models to minimize epistemic uncertainty over the experimental object spaces. This methodology facilitates the creation of digital twins of material structures, encompassing both the surrogate model of behavior that includes the correlative part and the theoretical model itself. While demonstrated here within the context of functional responses in ferroelectric materials, our approach holds promise for broader applications, the exploration of optical properties in nanoclusters, microstructure-dependent properties in complex materials, and properties of molecular systems. The analysis code that supports the funding is publicly available at https://github.com/Slautin/2024_Co-navigation/tree/main

arxiv情報

提供元, 利用サービス

arxiv.jp, Google