主动学习模块

本模块通过调用开源算法库 Bgolearn 实现(📒手册)。用于材料成分定向设计以及性能定向优化过程。通过已有实验数据（样本）及其测试性能，在给定的成分空间中搜索最优的材料成分设计，以将目标性能最大/最小化。推荐的成分通过实验合成后，变成新的数据加入数据集合，Bgolearn将利用更多的数据信息对下一次设计做出更加可靠的推荐。迭代这个过程可以高效地在给定的成分空间中，寻找到具有优秀性能的新材料。其中所有的实验过程也可以通过模拟过程代替。如下图：

关于主动学习中虚拟空间采样点的说明：

  1. 如果只上传一个数据文件，则文件默认为标准数据集，虚拟采样点通过主动学习模块的sample space ratio和sample number生成，注意自动生成的虚拟采样点可能违背物理规律（例如，特征数据为合金的成分时，推荐的样本成分总和大于100 w.t%）

  2. 如果上传两个文件，则第一个文件默认为标准数据集，第二个文件默认为虚拟采样点文件。 虚拟采样点.csv文件数据布局如下：

操作

在Home主页，进入active learning模块

页面弹出如下图所示的.csv文件上传框。

Active Learning 模块 :

上传数据之后，Data Table功能显示加载所上传的.csv文件的数据，通过调节rows调整显示的数据表的行数。

Features vs Targets功能显示数据集的特征变量和目标变量，默认.csv文件中的最后一列为目标变量，可通过input target调节目标变量的个数。

  • Choose Target-选择目标特征

  • 在Sampling功能下选择model，在Hyper Parameters中可调节算法的超参数

Note : 超参数说明, 见 Bgolearn 📒手册

  • simple number 选择推荐的样本个数

  • min search 选择优化的方向（最小/最大）

  • sample criterion 选择bayes推荐算法, 共包括九种效用函数

1: Expected Improvement algorith-期望提升函数

2:Expected improvement with "plugin"-有“plugin”的期望提升函数

3:Augmented Expected Improvement-增广期望提升函数

4:Expected Quantile Improvement-期望分位提升函数

5:Reinterpolation Expected Improvement-重插值期望提升函数

6:Upper confidence bound-高斯上确界函数

7:Probability of Improvement-概率提升函数

8:Predictive Entropy Search-预测熵搜索函数

9:Knowledge Gradient-知识梯度函数

  • 在sample space ratio中选择虚拟空间采样点范围:
\[ virtual_{sapce} = [ ratio_{min} \times X_{min}, ratio_{max} \times X_{max} ] \]
  • sample numeber选择每个特征的采样个数

根据所选择的算法和超参数推荐的样本可点击download可下载。