Pelnas:
- Gebėjimas tiksliai sukurti mašininio mokymosi problemą naudojant AI, kad būtų galima numatyti mechanines savybes pagal sudėtį ir proceso parametrus
- Gebėjimas kritiškai skaityti modelio išvestį, atpažįstant duomenų kokybės, per didelio pritaikymo ir ekstrapoliacijos riziką
- Galimybė patikrinti prognozavimo modelio rezultatus su fiziniu patikimumu, pasikliautinuoju intervalu ir patikrinimo eksperimentu
Pats pagrindinis metalurgijos dėsnis apibendrinamas taip: „procesas nustato struktūrą, o struktūra – savybę“. Plieno takumo riba priklauso ne tik nuo sudėties; Jis atsiranda dėl jo apdirbimo (kalimo, valcavimo, terminio apdorojimo) ir susidariusios mikrostruktūros (grūdelių dydžio, fazių santykio, nuosėdų). Dirbtinis intelektas, o ypač mašininis mokymasis (ML: metodai, kurie mokosi ir prognozuoja iš duomenų šablonų), yra galingi išgaunant šiuos sudėties, proceso ir savybių ryšius iš tūkstančių duomenų taškų ir numatant naujo lydinio savybes. Tačiau ši galia visiškai priklauso nuo duomenų kokybės ir žinojimo, kur modelis yra patikimas. Šiame skyriuje sužinosite, kaip sukurti ML pagrindu pagrįstą funkcijų numatymą ir kaip kritiškai skaityti jo išvestį.
Tinkamai nustatykite mašininio mokymosi problemą
Prieš įtraukdami funkcijų numatymo problemą į ML, aiškinkite tris dalykus:
- Įvestis (atributai): kintamieji, naudojami numatant. Pavyzdžiui, sudėties procentai (C, Mn, Cr, Ni...), terminio apdorojimo temperatūra ir laikas, grūdelių dydis.
- Išvestis (tikslas): numatoma funkcija. Pavyzdžiui, takumo riba, pailgėjimas, kietumas.
- Duomenys: įvesties ir išvesties porų lentelė. Kiekviena eilutė yra pavyzdys, kiekvienas stulpelis yra atributas arba tikslas.
Modelis iš šių duomenų išmoksta „funkciją“: ima įvestis ir numato išvestį. Tokie metodai kaip tiesinė regresija (paprasta svertinė suma), atsitiktinis miškas arba gradiento padidinimas yra įprasti. AI padeda pasiūlyti, kuris metodas tinkamas, rašant kodą ir interpretuojant rezultatą; bet jūs patikrinate, ar modelis galioja, ar ne.
Duomenų kokybė: modelio lubos
ML modelis negali būti geresnis už duomenis, kuriais jis mokomas. Principas „šiukšlės į, šiukšlės išvežimas“ yra labai stiprus metalurgijoje, nes bandymų duomenys yra brangūs ir menki. Saugokitės šių spąstų:
- Mažai duomenų: negalite sukurti sudėtingų modelių iš 30 pavyzdžių; Modelis įsimena duomenis.
- Nesubalansuoti duomenys: jei dauguma duomenų yra mažai anglies dioksido turinčio plieno, prognozė bus bloga, kai lydinys turi daug anglies.
- Matavimo triukšmas: to paties mėginio kietumas gali skirtis priklausomai nuo skirtingų operatorių; Šis triukšmas atsispindi modelyje.
- Trūksta kintamojo: jei neišmatavote grūdelių dydžio, modelis, kuris bando numatyti stiprumą vien tik pagal sudėtį, praleis svarbią priežastį.
Dėmesio: vien todėl, kad modelis sėkmingai moko duomenis, dar nereiškia, kad jis bus sėkmingas ir naujuose pavyzdžiuose. Tai gali būti per daug pritaikyta: modelis įsiminė treniruočių duomenų triukšmą, o ne tikrąjį ryšį. Tikra sėkmė matuojama „bandymo duomenimis“, kurių modelis dar niekada nematė.
Ekstrapoliacija: pavojingiausia riba
ML modeliai pagrįstai veikia treniruočių duomenų diapazone (interpoliacija). Kai už šio diapazono ribų (ekstrapoliacija), prognozės tampa nepatikimos ir modelis dažnai to neparodo; ir toliau kuria pasitikintį skaičių. Pavyzdžiui, modelis, paruoštas naudojant plieną, kurio anglies kiekis yra 0,2–0,6 %, lydinio, kuriame yra 1,2 % anglies, vertė gali būti rodoma kaip „saugu“, tačiau ši vertė yra visiškai nepagrįsta. Kiekvienos prognozės atveju „ar šis pavyzdys yra mokymo duomenų paskirstymas? Būtina užduoti klausimą.
Žingsnis po žingsnio: numatymo srauto kūrimas naudojant AI
- Apibrėžkite tikslą ir įvestis: ką prognozuosite ir pagal kokius kintamuosius?
- Paruoškite duomenis: išvalykite, pataisykite vienetus, pažymėkite trūkstamas reikšmes. (AI: rašo Python kodą.)
- Padalinkite duomenis: atskirkite mokymo ir testavimo rinkinius, kad galėtumėte tiksliai įvertinti sėkmę.
- Pasirinkite ir mokykite modelį: pradėkite nuo paprasto (linijinio), jei reikia, pereikite prie medžio.
- Įvertinkite: peržiūrėkite klaidų metriką bandymo rinkinyje (pvz., RMSE, R²).
- Komentaras: Kuris kintamasis yra toks efektyvus? Ar tai prasminga fiziškai?
- Patvirtinkite: patikrinkite kritinę prognozę naudodami faktinį eksperimentą; Patikrinkite, ar nėra ekstrapoliacijos.
koncepcija
Reikšmė
Kodėl tai svarbu metalurgijoje?
Pernelyg pritaikymas
Modelis, įsimenantis triukšmą
Tai labai paprasta naudojant mažai bandymo duomenų
interpoliacija
Numatymas treniruočių diapazone
Santykinai saugus regionas
ekstrapoliacija
Numatymas už treniruočių diapazono ribų
nepatikimas; būtinas eksperimentas
R²
Dispersijos dalis, paaiškinta modeliu
Tinkamumo kokybės indikatorius
Funkcijos svarba
Įvesties poveikio dydis
Fizinio pagrįstumo patikrinimas
trys mini dėklai
1 atvejis – įsimenantis modelis. Komanda sukuria sudėtingą modelį, numatantį takumo ribą su 45 plieno pavyzdžiais; Treniruotės duomenys pasirodo R² = 0,99 ir jie džiaugiasi. Tačiau bandymo duomenyse jis sumažėja iki R² = 0,42. Modelis perdėtas. Perėjus prie paprastesnio modelio ir padidinus duomenis, bandymo sėkmė padidėja iki 0,80. Pamoka: mokymosi sėkmė yra klaidinanti; Sprendimas priimamas remiantis bandymų duomenimis.
2 atvejis – ekstrapoliacijos gaudyklė. Inžinierius taiko modelį, paruoštą naudojant mažai legiruotą plieną, nerūdijančio plieno kompozicijai, kurioje yra daug Cr. Modelyje rašoma „apie 620 MPa“. Tikrasis tempimo bandymas yra 410 MPa. Kompozicija visiškai nepatenka į edukacinį platinimą. Pamoka: prieš numatant, būtina patikrinti, ar įvestis yra treniruočių diapazone.
3 atvejis. Tinkamas naudojimas. Mokslinių tyrimų ir plėtros komanda modeliuoja grūdinimo temperatūros poveikį kietumui, naudodama tūkstančius įrašų lydinių šeimoje. Modelis atkuria žinomą fizinę tendenciją (kietumas mažėja didėjant grūdinimo temperatūrai) ir susiaurina, kuriame kompozicijos diapazone bus pasiektas tikslinis kietumas. Komanda naudoja modelį, kad sumažintų eksperimentų skaičių: tikslą pasiekia 8 eksperimentais, o ne 40, ir kiekvieną žingsnį patvirtina matavimais. Pamoka: ML sumaniai susiaurina eksperimento planavimą naudodama gerus duomenis ir fizinio patikimumo patikrinimus.
Kopijuojami raginimo šablonai
ML PROBLEMOS NUSTATYMO ŠABLONAS "Vaidmuo: esate medžiagų duomenų mokslo asistentas. Tikslas: [numatoma funkcija]. Įvesties duomenys: [atributai]. Turiu [n] pavyzdžių. Šiai problemai spręsti: (1) pasiūlykite tinkamas paprastas ir išplėstines modelio parinktis, (2) paaiškinkite mokymo / testo padalijimą ir įvertinimo metriką, (3) interpretuokite riziką, susijusią su pertekliniu duomenų apibrėžimu, o ne perrašyti šį pažadą. aiškios ribos“.
DUOMENŲ KOKYBĖS AUDITO ŠABLONAS"Patikrinkite šios duomenų lentelės kokybę: [įklijuokite stulpelius ir pavyzdines eilutes]. Žyma: trūksta reikšmių, nuokrypiai, vienetų neatitikimai, nesubalansuotas pasiskirstymas. Kiekvienai problemai pasiūlykite, kaip ją spręsti. Išvardykite, kokius patikrinimus turėčiau atlikti prieš modeliuojant."
EKSTRAPOLIACIJOS VALDYMO ŠABLONAS "Minimalus ir maksimalus kiekvienos įvesties treniruočių rezultato diapazonas yra: [rašyti diapazonus]. Naujas pavyzdys, kurį noriu numatyti, yra: [rašyti vertes]. Ar šis pavyzdys yra kiekvieno atributo mokymo diapazone ar už jo ribų? Jei jis yra už, paaiškinkite, kuriuose kintamuosiuose ir kodėl prognozė būtų nepatikima. Siūlykite patvirtinimą eksperimentu."
FIZINIS tikėtinumo ŠABLONIS "Modelio bruožų svarbos tvarka yra [rūšiuoti]. Ar ši tvarka atitinka žinomus metalurginius ryšius (pvz., Hall-Petch, nuosėdų sukietėjimas, anglies efektas)? Jei yra fiziškai netikėtas poveikis, pažymėkite jį ir paaiškinkite galimą duomenų / modelio problemą."
Silpnas raginimas / Stiprus raginimas
SILPNAS PROMPT: "Numatykite takumo ribą pagal šią sudėtį."
STIPRUS PROMPTAS: "Vaidmuo: esate medžiagų duomenų mokslo asistentas. Turiu 800 mažai legiruotojo plieno duomenų eilučių (C, Mn, Cr, Ni, grūdinimo temperatūra -> takumo stiprumas). Naujas pavyzdys: C = 0,38, Mn = 0,8, Cr = 1,0, Ni = 0,2, temperatūra = 550 ° C. Numatykite, ar šis metodas yra tinkamas. Pirmiausia patikrinkite, ar šis pavyzdys yra tinkamas. neapibrėžtumas Paaiškinkite, jei netinka, patikrinkite fizinį patikimumą su Hall-Petch ir temperatūros efektu.
Stiprus raginimas prieš numatant prašo atlikti ekstrapoliacijos patikrinimą, pašalina neapibrėžtumą ir patikrina rezultatą pagal fizikinius dėsnius. Tai suteikia daug patikimesnį sprendimo pagrindą nei neapdorotas skaičius.
Dažnos klaidos
- Supainioti mokymosi sėkmę su tikra sėkme (praleisti per daug).
- Modelio įvertinimas neatliekant mokymo/testo padalijimo.
- Priimamas ekstrapoliacijos srityje gautas įvertinimas kaip saugus.
- Sudėtingų modelių kūrimas su mažais ir nesubalansuotais duomenimis.
- Nelyginant savybių svarbos su fiziniu patikimumu.
- Svarbių spėlionių pateikimas į dizainą nepatikrinus jo eksperimentu.
Apibendrinant
Mašininis mokymasis efektyviai užfiksuoja kompozicijos, proceso ir nuosavybės ryšius su gerais duomenimis ir sumaniai susiaurina eksperimento planavimą. Tačiau modelis yra tiek geras, kiek yra jo duomenys; Treniruotės pasiekimai gali būti klaidinantys (persistengiama), o įvertinimai už treniruočių diapazono ribų (ekstrapoliacija) yra nepatikimi. Išbandykite kiekvieną prognozę naudodami bandymo duomenų sėkmę, ekstrapoliacijos valdymą, fizinį patikimumą ir, kritiniais atvejais, atlikdami faktinį eksperimentą.
Taikymo užduotis
Apibrėžkite savybių numatymo problemą su esamu (arba išgalvotu) medžiagų duomenų rinkiniu: užrašykite tikslą ir įvestis. Paprašykite dirbtinio intelekto požiūrio naudodami šabloną „ML PROBLEMOS FIGURE“. Tada apibrėžkite „naują pavyzdį“ ir patikrinkite, ar šis pavyzdys yra mokymo diapazone, naudodami šabloną „EXTRAPOLATION CHECK“. Galiausiai pastraipoje aprašykite, su kuriuo eksperimentu patikrinsite modelio išvestį.
kontrolinis sąrašas
- [ ] Aiškiai apibrėžiau tikslą ir indėlius.
- [ ] Patikrinau duomenų kokybę (trūksta, išskirta, vienetas, likutis).
- [ ] Sąžiningą sėkmę įvertinau treniruotėse / teste.
- [ ] Patikrinau kiekvieno įverčio ekstrapoliacijos riziką.
- [ ] Požymio svarbą palyginau su fiziniu patikimumu.
- [ ] Sudariau planą, kaip patikrinti kritinę prognozę faktiniu eksperimentu.