Learning material synthesis-process-structure-property relationship by data fusion: Bayesian Coregionalization N-Dimensional Piecewise Function Learning

要約

自律的な材料研究ラボでは、多様なデータ ストリームを組み合わせてそこから学習する能力が必要です。
これは、材料の合成、プロセス、構造、特性の関係を学習する場合に特に当てはまり、材料の最適化と発見を加速するとともに、機構の理解を加速するための鍵となります。
合成プロセス構造プロパティ関係 coreGionalized lEarner (SAGE) アルゴリズムを紹介します。
マルチモーダルな共同領域化を使用してデータ ソース間の知識をマージし、合成プロセス、構造、プロパティの関係を学習する完全なベイジアン アルゴリズム。
SAGE は、データが与えられたときに最も可能性の高い関係を含む関係の確率的事後分布を出力します。

要約(オリジナル)

Autonomous materials research labs require the ability to combine and learn from diverse data streams. This is especially true for learning material synthesis-process-structure-property relationships, key to accelerating materials optimization and discovery as well as accelerating mechanistic understanding. We present the Synthesis-process-structure-property relAtionship coreGionalized lEarner (SAGE) algorithm. A fully Bayesian algorithm that uses multimodal coregionalization to merge knowledge across data sources to learn synthesis-process-structure-property relationships. SAGE outputs a probabilistic posterior for the relationships including the most likely relationships given the data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google