.png){kind=icon}
返回
Leveraging feature gradient for efficient acquisition function maximization in material composition design
.png){kind=icon}
OA
AI
DOI：10.1039/D5DD00080G.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯优化（BO）已被广泛应用于合金成分设计；但在该领域中最大化采集函数（AF）时面临独特的挑战；这是选择最佳候选的关键步骤。虽然存在各种优化方法用于最大化AF；但材料成分设计存在困难，包括需要将成分转化为材料特征；随着组分数量增加，设计空间快速多项式扩展；以及成分约束（例如，总和为100%）。为解决此问题；我们提出了一种利用数值特征梯度进行高效AF最大化的材料成分设计策略。通过建立从合金成分、通过材料特征和模型预测到AF值的可微分管道；我们的策略能够从初始成分猜测高效导航到最优解。这种方法将内层优化问题的复杂度从快速多项式（即完全枚举情况）降低到经验观察到的线性规模，相对于组分数量；使其适用于中等规模的设计空间（最多10个组分），同时显示出扩展到更大成分空间的潜力。此外；以随机生成的成分为起点促进了更多样化的解决方案；与传统的基于枚举的方法相比，成分状态熵的衰减较慢。此外；我们方法的可扩展性允许通过调整关键设置来定制优化过程，如初始成分数量、AF选择、代理模型以及用于计算材料特征的公式。我们设想该策略作为一种可扩展和模块化的方法，用于推进材料设计；特别是在高熵合金、陶瓷和钙钛矿的成分设计中，其中元素成分可以作为连续变量进行调整。
Keyword:
Bayesian optimization
acquisition function maximization
material composition design
differentiable pipeline
high-entropy alloys
期刊
IF:
5.6
论文数:
997
被引数:
1.7K
机构
暂无机构信息
引用论文
Strength through defects: A novel Bayesian approach for the optimization of architected materials通过缺陷的强度: 一种用于优化架构材料的新型贝叶斯方法.png)
SCIENCE ADVANCES
OAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏Identification Schemes for Metal-Organic Frameworks To Enable Rapid Search and Cheminformatics Analysis金属有机框架的识别方案，以实现快速搜索和化学信息学分析OAAI
OAAI分享收藏Elemental numerical descriptions to enhance classification and regression model performance for high-entropy alloys元素数值描述以提升高熵合金的分类与回归模型性能OAAI
OAAI分享收藏Compositional design of multicomponent alloys using reinforcement learning基于强化学习的多元合金成分设计ACTA MATERIALIAOAAI
ACTA MATERIALIAIF9.3
OAAI分享收藏Phase prediction in high entropy alloys with a rational selection of materials descriptors and machine learning models通过合理选择材料描述符和机器学习模型来预测高熵合金中的相ACTA MATERIALIA
ACTA MATERIALIAIF9.3
PREAI
分享收藏分享收藏
查看更多内容