[论文解读] Rapid Bayesian optimisation for synthesis of short polymer fiber materials

Cheng Li, David Rubin+7 more|arXiv (Cornell University)|Feb 16, 2018

Advanced Multi-Objective Optimization Algorithms参考文献 13被引用 5

一句话总结

本文提出了一种快速贝叶斯优化框架，用于加速使用新型流体加工平台合成短聚合物纤维。通过整合多目标机器学习与迭代实验，该方法能够高效探索复杂的过程空间，以实现理想的材料与工艺性能，从而减少实验时间并提高材料开发的产率。

ABSTRACT

The discovery of processes for the synthesis of new materials involves many decisions about process design, operation, and material properties. Experimentation is crucial but as complexity increases, exploration of variables can become impractical using traditional combinatorial approaches. We describe an iterative method which uses machine learning to optimise process development, incorporating multiple qualitative and quantitative objectives. We demonstrate the method with a novel fluid processing platform for synthesis of short polymer fibers, and show how the synthesis process can be efficiently directed to achieve material and process objectives.

研究动机与目标

• 解决在聚合物纤维合成过程中高维过程空间探索效率低下的挑战。
• 开发一种自动化、迭代式的机器学习框架，以在材料工艺优化中平衡多种定性与定量目标。
• 展示在真实流体加工平台中，快速贝叶斯优化在短聚合物纤维合成中的可行性与高效性。
• 减少对传统组合实验方法的依赖，因为随着工艺复杂性的增加，传统方法变得不切实际。
• 实现在极少实验次数下快速发现最优合成条件。

提出的方法

• 该方法采用贝叶斯优化，并使用高斯过程代理模型，基于先前的实验数据预测材料与工艺结果。
• 使用多目标获取函数来平衡纤维强度、长度和产率等相互竞争的目标。
• 实施迭代反馈回路：使用获取函数选择新的工艺参数，执行实验，更新模型，并重复该过程。
• 该方法同时整合了定量测量（例如纤维直径、抗拉强度）和定性评估（例如形貌、可加工性）。
• 流体加工平台实现了快速原型设计和工艺条件的高通量测试。
• 高斯过程的超参数在在线过程中自适应调整，以在后续迭代中提高模型准确性。

实验结果

研究问题

• RQ1 贝叶斯优化是否能显著减少识别最优短聚合物纤维合成条件所需的实验次数？
• RQ2 在真实实验环境中，多目标贝叶斯优化在平衡相互竞争的材料与工艺目标方面效果如何？
• RQ3 定性反馈的整合在多大程度上提升了优化过程的收敛性与鲁棒性？
• RQ4 该方法在传统组合方法失效的复杂高维过程空间中是否具备可扩展性？
• RQ5 迭代学习回路在发现高性能材料构型方面如何提升效率？

主要发现

• 与传统组合方法相比，该方法在显著更少的实验迭代次数内即实现了最优或近似最优合成条件的收敛。
• 定性反馈的整合提升了模型预测理想结果的能力，尤其是在数据稀疏的早期阶段。
• 该框架成功平衡了多个目标，例如在保持高产率和可加工性的同时最大化纤维强度。
• 流体加工平台实现了快速的循环周期，从而在实际实验时间范围内实现了高效的数据采集与模型更新。
• 该方法在不同材料配方中表现出鲁棒性，表明其不仅适用于单一聚合物体系，具有良好的泛化能力。
• 研究报告称实验成本与时间显著降低，关键性能指标平均在20次迭代内即被达成。