Active learning–driven design space reduction for material discovery via Bayesian optimization : a COF case study

Abstract

Η παρούσα διπλωματική εργασία διερευνά τις εφαρμογές των τεχνικών Active Learning και Bayesian Optimization στην ανακάλυψη υλικών, με στόχο την εύρεση της βέλτιστης διαμόρφωσης υλικού με τον πιο οικονομικά αποδοτικό τρόπο. Η εργασία εστιάζει στη χρήση μοντέλων μηχανικής μάθησης για την εξερεύνηση, τον περιορισμό και τη βελτιστοποίηση εκτεταμένων σχεδιαστικών χώρων με τη χρήση των ελάχιστων δυνατών πόρων.

Τα ευρήματα υποδεικνύουν ότι ένας συνδυασμός μοντέλων και αλγορίθμων μηχανικής μάθησης αποτελεί ισχυρό εργαλείο κατά την εξερεύνηση μέχρι πρότινος άγνωστων χώρων σχεδιασμού, επιτυγχάνοντας παράλληλα χαμηλό κόστος. Η χρησιμοποιούμενη προσέγγιση δεν είναι στενά συνδεδεμένη με ένα συγκεκριμένο σύνολο δεδομένων ή κατηγορία υλικών, γεγονός που την καθιστά ένα χρήσιμο πλαίσιο για την αντιμετώπιση αφηρημένων προβλημάτων βελτιστοποίησης.