基于 Jaya 优化标定的高精度数据采集方法

材料基因组工程融合高通量实验、高通量计算和数据库及人工智能技术, 能加速实现新材料的研发. 然而, 如何快速且可靠地从实验设备中采集数据是材料基因组工程的重要问题. 针对高精度数据采集系统标定数据时间不同步的问题, 以线性模型作为采集数据处理参数的模型, 以设备显示值作为数据采集真实值, 构建数据处理参数寻优的目标函数; 基于 Jaya 优化算法实现了模型参数优化搜索; 最后以设备温度数据采集为例, 构建了高精度数据采集系统并进行实验验证. 实验结果表明, 采用优化后的模型参数, 数据采集平均误差仅为 0.13 ${^\circ}$C, 精度可达 99.89%, 相比于非优化模型参数, 平均误差降低了 63.20%, 显著提高了数据采集精度.     

小样本分散数据的回归建模和多目标优化

小样本分散数据上的回归对建模有一定挑战, 利用高斯过程对其回归进行建模, 即采用极大似然估计进行核函数的超参数学习, 通过后验来计算回归结果并预测出目标函数的均值和方差. 在此基础上结合方差的多目标优化, 在进行材料逆向设计的同时能对设计结果的不确定性进行估计. 对 1215MS 非调质钢和三点弯混凝土数据集进行了实验验证. 实验结果表明, 对于三点弯混凝土平均有 50% 实验数据落在预测的 95% 置信区间内, 高斯过程回归 (Gaussian process regression, GPR) 模型可以较好地度量分散小样本数据的不确定性, 进行合理预测. 对于 1215MS 非调质钢数据集, 在高斯过程回归模型的基础上, 运用带精英策略的非支配遗传算法 (elitist non-dominated sorting genetic algorithm, NSGA-Ⅱ) 进行多目标优化, 将材料的力学性能以及所对应的方差作为优化目标, 在考虑最优力学性能的同时兼顾不确定因素对实验结果的影响, 得到最优帕累托解集, 以此作为下次实验的候选点, 辅助材料设计和制备优化.