npj Comput. Mater.: 机器学习发现环境压力下控制实验材料稳定性的方程

虽然实验研究中的机器学习（ML）已经展示了令人印象深刻的预测能力，但从实验数据中提取可替代的知识表示仍然是一项难以捉摸的任务。

在此，美国麻省理工学院Tonio Buonassisi, Richa Ramesh Naik及Armi Tiihonen等人使用科学ML从环境压力（高温、湿度和光照）下降解有机-无机甲基碘化铅（MAPI）钙钛矿薄膜的实验数据中推断出潜在的偏微分方程（PDE）。在这项研究中，作者专注于PDE-FIND算法在钙钛矿降解数据中的应用。

其中，选择 PDE-FIND是因为它是一种可解释的方法并提供了对动力学的简洁描述，并且可以灵活地将领域专业知识应用于库选择。直接从实验老化测试数据中成功识别控制PDE将加深对热降解的理解，并为钙钛矿太阳能电池的可靠寿命预测及长期老化测试加速因子的确定提供工具。本研究的目标有两个：（1）使用稀疏回归方法 PDE-FIND揭示与钙钛矿降解相对应的潜在PDE；（2）通过比较有/无噪声的模拟数据，量化噪声对PDE-FIND提取PDE精度的影响。

图1. PDE-FIND基于实验数据提取PDE

使用稀疏回归算法，作者发现在35~85°C的广泛温度范围内控制MAPI降解的底层PDE最低限度可由一个二阶多项式来描述。尽管数据集中存在噪声和方差，但仅选择了与系统动力学相对应的函数，并且PDE与数值导数表现出良好的一致性。通过对模拟数据的鲁棒性分析表明，当添加高达5% 的高斯噪声时，具有二阶多项式库的PDE-FIND可成功识别描述模拟数据的PDE。

然而，拟合参数的误差随噪声的增大而增大，最高接近80%。如果获得的数据具有低噪声或可通过降噪技术去噪，则科学ML方法在揭示动力系统的控制方程方面非常有用。总之，该研究展示了ML加速对钙钛矿材料降解的理解和可靠性优化，突出了与ML辅助科学发现相关的前景和挑战。

图2. 基于模拟数据评估噪声对PDE提取的影响

Discovering equations that govern experimental materials stability under environmental stress using scientific machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00751-5

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/b71a1ad52a/

npj Comput. Mater.: 机器学习发现环境压力下控制实验材料稳定性的方程

相关推荐