Ieguvumi:
- Spēja precīzi konstruēt mašīnmācīšanās problēmu ar AI mehānisko īpašību prognozēšanai no sastāva un procesa parametriem
- Spēja kritiski nolasīt modeļa izvadi, apzinoties datu kvalitātes, pārmērīgas pielāgošanas un ekstrapolācijas riskus
- Spēja pārbaudīt prognozēšanas modeļa rezultātus ar fizisko ticamību, ticamības intervālu un pārbaudes eksperimentu
Metalurģijas pamatlikums ir apkopots kā "process nosaka struktūru; struktūra nosaka īpašumu". Tērauda tecēšanas robeža ir atkarīga ne tikai no sastāva; Tas rodas no tā, kā tas tiek apstrādāts (kalšana, velmēšana, termiskā apstrāde) un no tā izrietošās mikrostruktūras (graudu izmērs, fāžu attiecība, nogulsnes). Mākslīgais intelekts un jo īpaši mašīnmācīšanās (ML: metodes, kas mācās un prognozē datu modeļus) ir spēcīgs, lai iegūtu šīs sastāva, procesa un īpašību attiecības no tūkstošiem datu punktu un prognozētu jauna sakausējuma īpašības. Taču šī jauda ir pilnībā atkarīga no datu kvalitātes un no tā, kur modelis ir uzticams. Šajā nodaļā jūs uzzināsit, kā izveidot uz ML balstītu funkciju prognozēšanu un kā kritiski lasīt tā izvadi.
Pareiza mašīnmācīšanās problēmas iestatīšana
Pirms funkciju prognozēšanas problēmas ievietošanas ML, skaidri norādiet trīs lietas:
- Ievade (atribūti): mainīgie, kas jāizmanto prognozēšanā. Piemēram, sastāva procenti (C, Mn, Cr, Ni...), termiskās apstrādes temperatūra un laiks, graudu lielums.
- Izvade (mērķis): paredzamā funkcija. Piemēram, tecēšanas robeža, pagarinājums, cietība.
- Dati: ievades-izejas pāru tabula. Katra rinda ir paraugs, katra kolonna ir atribūts vai mērķis.
Modelis no šiem datiem apgūst “funkciju”: tas ņem ievadi un prognozē izvadi. Izplatītas ir tādas metodes kā lineārā regresija (vienkārša svērtā summa), nejauša meža vai gradienta palielināšana. AI palīdz ieteikt, kura metode ir piemērota, rakstot kodu un interpretējot rezultātu; bet jūs pārbaudāt, vai modelis ir derīgs vai nē.
Datu kvalitāte: modeļa griesti
ML modelis nevar būt labāks par datiem, par kuriem tas ir apmācīts. Princips "atkritumi iekšā, atkritumi ārā" ir ļoti spēcīgs metalurģijā, jo testa dati ir dārgi un maz. Uzmanieties no šiem slazdiem:
- Maz datu: jūs nevarat izveidot sarežģītus modeļus ar 30 paraugiem; Modelis iegaumē datus.
- Nelīdzsvaroti dati: ja lielākā daļa datu ir par zema oglekļa satura tēraudiem, prognoze būs slikta sakausējumam ar augstu oglekļa saturu.
- Mērījumu troksnis: viena un tā paša parauga cietība dažādiem operatoriem var atšķirties; Šis troksnis ir atspoguļots modelī.
- Trūkst mainīgā: ja neesat izmērījis graudu lielumu, modelis, kas mēģina paredzēt stiprumu tikai pēc sastāva, palaidīs garām svarīgu iemeslu.
Uzmanību: tas, ka modelim ir lieli panākumi apmācības datos, nenozīmē, ka tas būs veiksmīgs arī jaunos paraugos. Tas var būt pārāk piemērots: modelis ir iegaumējis troksni apmācības datos, nevis patiesās attiecības. Patiesie panākumi tiek mērīti ar “testa datiem”, ko modelis vēl nekad nav redzējis.
Ekstrapolācija: visbīstamākā robeža
ML modeļi darbojas saprātīgi apmācības datu aptvertajā diapazonā (interpolācija). Atrodoties ārpus šī diapazona (ekstrapolācija), prognozes kļūst neuzticamas, un modelis bieži to neuzrāda; turpina radīt pārliecinošu skaitli. Piemēram, modelis, kas apmācīts uz tēraudiem ar oglekļa saturu diapazonā no 0,2 līdz 0,6%, sakausējumam ar 1,2% oglekļa saturu var parādīt savu vērtību kā "drošu", taču šī vērtība ir pilnīgi nepamatota. Katrai prognozei “vai šis paraugs ietilpst apmācības datu sadalījumā?” Ir obligāti jāuzdod jautājums.
Soli pa solim: veidojiet prognozēšanas plūsmu, izmantojot AI
- Definējiet mērķi un ievades datus: ko jūs prognozēsit un no kādiem mainīgajiem lielumiem?
- Sagatavojiet datus: notīriet, labojiet vienības, atzīmējiet trūkstošās vērtības. (AI: raksta Python kodu.)
- Sadaliet datus: atdaliet apmācības un testēšanas komplektus, lai varētu precīzi novērtēt panākumus.
- Izvēlieties un apmāciet modeli: sāciet vienkāršu (lineāru), pārejiet uz koku bāzes, ja nepieciešams.
- Novērtējiet: skatiet kļūdu metriku testa komplektā (piemēram, RMSE, R²).
- Komentārs: Kurš mainīgais ir tik efektīvs? Vai tam ir fiziski jēga?
- Pārbaudiet: pārbaudiet kritisko prognozi ar faktisku eksperimentu; Pārbaudiet ekstrapolāciju.
koncepcija
Nozīme
Kāpēc tas ir svarīgi metalurģijā?
Pārmērīga pielāgošana
Modelis, kas iegaumē troksni
Tas ir ļoti vienkārši ar maziem testa datiem
interpolācija
Prognoze treniņu diapazonā
Salīdzinoši drošs reģions
ekstrapolācija
Prognoze ārpus treniņu diapazona
neuzticams; ir nepieciešams eksperiments
R²
Ar modeli izskaidrotā dispersijas proporcija
Piemērotības kvalitātes rādītājs
Funkcijas nozīme
Ievades ietekmes lielums
Fiziskā saprātīguma pārbaude
trīs mini futrāļi
1. gadījums — iegaumēšanas modelis. Komanda izveido sarežģītu modeli, kas paredz tecēšanas robežu ar 45 tērauda paraugiem; Apmācības dati izrādās R² = 0,99, un viņi priecājas. Tomēr testa datos tas samazinās līdz R² = 0,42. Modelis ir overfit. Pārejot uz vienkāršāku modeli un palielinot datus, testa panākumi palielinās līdz 0,80. Nodarbība: izglītības panākumi ir maldinoši; Lēmums tiek pieņemts, pamatojoties uz testa datiem.
2. gadījums — ekstrapolācijas slazds. Inženieris modeli, kas apmācīts uz zema leģētā tērauda, izmanto nerūsējošā sastāva ar augstu Cr saturu. Modelis saka "apmēram 620 MPa". Faktiskais stiepes tests ir 410 MPa. Sastāvs ir pilnībā ārpus izglītības izplatīšanas. Nodarbība: pirms prognozēšanas obligāti jāpārbauda, vai ievade ir treniņa diapazonā.
3. gadījums — Pareiza lietošana. Pētniecības un attīstības komanda modelē rūdīšanas temperatūras ietekmi uz cietību ar tūkstošiem rekordu sakausējumu saimē. Modelis atveido zināmo fizisko tendenci (cietība samazinās, palielinoties rūdīšanas temperatūrai) un sašaurina, kurā sastāva diapazonā tiks sasniegta mērķa cietība. Komanda izmanto modeli, lai samazinātu eksperimentu skaitu: sasniedzot mērķi ar 8 eksperimentiem, nevis 40, un apstiprinot katru soli ar mērījumiem. Nodarbība: ML gudri sašaurina eksperimentu plānošanu, izmantojot labas datu un fiziskās ticamības pārbaudes.
Kopējamas uzvedņu veidnes
ML PROBLĒMAS IESTATĪŠANAS VEIDNE "Loma: jūs esat materiāldatu zinātnes palīgs. Mērķis: [funkcija, kas jāparedz]. Ievades: [atribūti]. Man ir [n] paraugi. Šai problēmai: (1) iesakiet piemērotas vienkāršas un uzlabotas modeļa opcijas, (2) izskaidrojiet apmācības/testa sadalījumu un novērtēšanas metriku, (3) interpretējiet, pamatojoties uz šo solījumu nerakstīšanu, un veiciet papildu veiksmes riskus. skaidri robežas."
DATU KVALITĀTES AUDITA VEIDNE"Pārbaudiet šādas datu tabulas kvalitāti: [ielīmējiet kolonnas un rindas paraugus]. Karogs: trūkst vērtību, novirzes, vienību neatbilstības, nelīdzsvarots sadalījums. Katrai problēmai iesakiet, kā ar to rīkoties. Uzskaitiet, kādas pārbaudes man jāveic pirms modelēšanas."
EKSTRAPOLĀCIJAS VADĪBAS VEIDNE "Katras ievades minimālais-maksimālais diapazons manā apmācības rezultātos ir: [rakstīšanas diapazoni]. Jaunais paraugs, ko vēlos prognozēt, ir: [rakstīt vērtības]. Vai šis paraugs ir katra atribūta apmācības diapazona robežās vai ārpus tā? Ja tas ir ārpus tā, paskaidrojiet, kuros mainīgajos un kāpēc prognoze būtu neuzticama. Iesakiet verifikāciju eksperimentā."
FIZISKĀS ticamības VEINNE "Modeļa pazīmju svarīguma secība ir [kārtot]. Vai šī secība atbilst zināmajām metalurģiskajām attiecībām (piemēram, Hall-Petch, nogulšņu sacietēšana, oglekļa efekts)? Ja ir fiziski negaidīts efekts, atzīmējiet to un izskaidrojiet iespējamo datu/modeļa problēmu."
Vāja uzvedne / spēcīga uzvedne
VĀJS PROMPT: "Paredziet tecēšanas robežu, pamatojoties uz šo sastāvu."
STRONG PROMPT:"Loma: jūs esat materiālu zinātnes asistents. Man ir 800 rindiņas ar zemu leģētā tērauda datiem (C, Mn, Cr, Ni, rūdīšanas temperatūra —> ienesīguma izturība). Jauns paraugs: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, temperaments = 550 °C. Vispirms pārbaudiet, vai šis paraugs ir atbilstošs diapazonā. nenoteiktība Paskaidrojiet, ja tas nav piemērots, pārbaudiet fizisko ticamību ar Hall-Petch un temperatūras efektu.
Spēcīgā uzvedne pieprasa ekstrapolācijas pārbaudi pirms prognozēšanas, noņem nenoteiktību un pārbauda rezultātu attiecībā pret fiziskajiem likumiem. Tas nodrošina daudz uzticamāku lēmuma pamatojumu nekā neapstrādāts skaitlis.
Biežas kļūdas
- Sajaukšana izglītības panākumus ar patiesiem panākumiem (izlaižot overfitting).
- Modeļa novērtēšana, neveicot apmācības/pārbaudes sadalījumu.
- Ekstrapolācijas apgabalā saražotās aplēses pieņemšana par drošu.
- Sarežģītu modeļu veidošana ar maziem un nesabalansētiem datiem.
- Nesalīdzinot iezīmju nozīmi ar fizisko ticamību.
- Izstrādājot kritisku minējumu, nepārbaudot to eksperimentā.
Rezumējot
Mašīnmācība spēcīgi uztver kompozīcijas, procesa un īpašuma attiecības ar labiem datiem un saprātīgi sašaurina eksperimentu plānošanu. Bet modelis ir tikai tik labs, cik labi ir tā dati; Apmācības sasniegumi var būt maldinoši (pārmērīga atbilstība), un aprēķini ārpus treniņu diapazona (ekstrapolācija) ir neuzticami. Pārbaudiet katru prognozi ar testa datu panākumiem, ekstrapolācijas kontroli, fizisko ticamību un kritiskos gadījumos ar faktisko eksperimentu.
Lietojumprogrammas uzdevums
Definējiet īpašību prognozēšanas problēmu ar esošu (vai izdomātu) materiāla datu kopu: pierakstiet mērķi un ievades datus. Lūdziet pieeju AI, izmantojot veidni “ML PROBLEM FIGURE”. Pēc tam definējiet "jaunu paraugu" un pārbaudiet, vai šis paraugs ir apmācības diapazonā, izmantojot veidni "EXTRAPOLATION CHECK". Visbeidzot rindkopā aprakstiet, ar kuru eksperimentu pārbaudīsiet modeļa izvadi.
kontrolsaraksts
- [ ] Es skaidri definēju mērķi un ieguldījumu.
- [ ] Es pārbaudīju datu kvalitāti (trūkst, izņēmums, mērvienība, atlikums).
- [ ] Es novērtēju godīgus panākumus ar apmācības/pārbaudes sadalījumu.
- [ ] Es pārbaudīju ekstrapolācijas risku katrai aplēsei.
- [ ] Es salīdzināju pazīmju nozīmi ar fizisko ticamību.
- [ ] Es izstrādāju plānu, lai pārbaudītu kritisko prognozi ar faktisku eksperimentu.