Добивки:
- Способност за прецизно конструирање на проблемот со машинското учење со вештачка интелигенција за предвидување на механичките својства од параметрите на составот и процесот
- Способност за критичко читање на излезот од моделот со препознавање на ризиците од квалитетот на податоците, преоптоварувањето и екстраполацијата
- Способност да се тестираат резултатите од моделот на предвидување со физичка веродостојност, интервал на доверба и експеримент за верификација
Најосновниот закон на металургијата е сумиран како „процесот ја одредува структурата; структурата ја одредува сопственоста“. Јачината на принос на челикот не зависи само од составот; Настанува од тоа како се обработува (фалсификување, тркалање, термичка обработка) и добиената микроструктура (големина на зрната, сооднос на фази, талози). Вештачката интелигенција, а особено машинското учење (ML: методи кои учат и прават предвидувања од обрасците во податоците), е моќна во извлекувањето на овие врски состав-процес-својство од илјадници точки на податоци и предвидување на својствата на нова легура. Но, оваа моќ е целосно зависна од квалитетот на податоците и од знаењето каде моделот е сигурен. Во оваа единица, ќе научите како да конструирате предвидување карактеристики базирани на ML и како критички да го читате неговиот излез.
Правилно поставување на проблемот со машинското учење
Пред да го фрлите проблемот со предвидување на карактеристики во ML, разјаснете три работи:
- Влез (атрибути): Променливи што ќе се користат при предвидување. На пример, проценти на составот (C, Mn, Cr, Ni...), температура и време на термичка обработка, големина на зрно.
- Излез (цел): Карактеристика што треба да се предвиди. На пример, сила на принос, издолжување, цврстина.
- Податоци: Табела на влезно-излезни парови. Секој ред е примерок, секоја колона е атрибут или цел.
Моделот учи „функција“ од овие податоци: зема влезови и го предвидува излезот. Вообичаени се методи како што се линеарна регресија (проста пондерирана сума), случајна шума или градиент засилување. Вештачката интелигенција е од помош при сугерирање кој метод е соодветен, пишување на кодот и толкување на резултатот; но проверуваш дали моделот е валиден или не.
Квалитет на податоци: таванот на моделот
Моделот ML не може да биде подобар од податоците на кои е обучен. Принципот на „ѓубре внатре, ѓубре надвор“ е многу силен во металургијата бидејќи податоците од тестот се скапи и оскудни. Внимавајте на овие стапици:
- Малку податоци: не можете да изградите сложени модели со 30 примероци; Моделот ги меморира податоците.
- Неурамнотежен податок: Ако повеќето од податоците се челици со низок јаглерод, предвидувањето ќе биде лошо во легура со висока јаглерод.
- Мерен шум: Цврстината на истиот примерок може да варира кај различни оператори; Овој шум се рефлектира во моделот.
- Недостасува променлива: Ако не сте ја измериле големината на зрната, моделот што се обидува да ја предвиди силата само по состав ќе пропушти важна причина.
Внимание: Само затоа што моделот има висок успех во податоците за обука не значи дека ќе биде успешен и во нови примероци. Ова може да биде претерано: моделот го меморирал шумот во податоците за обуката, а не вистинската врска. Вистинскиот успех се мери со „податоци за тестирање“ што моделот никогаш не ги видел.
Екстраполација: најопасната граница
ML моделите работат разумно во опсегот опфатен со податоците за обука (интерполација). Кога е надвор од овој опсег (екстраполација), предвидувањата стануваат неверодостојни и моделот често не го покажува тоа; продолжува да произведува сигурен број. На пример, модел обучен на челици со содржина на јаглерод во опсег од 0,2-0,6% може да ја покаже својата вредност за легура со 1,2% јаглерод како „безбедна“, но оваа вредност е целосно неоснована. За секое предвидување, „дали овој примерок е во рамките на дистрибуцијата на податоците за обуката?“ Императив е да се постави прашањето.
Чекор по чекор: Изградба на тек на предвидување со вештачка интелигенција
- Дефинирајте ја целта и влезните податоци: Што ќе предвидите и од кои променливи?
- Подгответе ги податоците: исчистете, поправете ги единиците, означете ги вредностите што недостасуваат. (ВИ: Пишува код на Пајтон.)
- Поделете ги податоците: одделете ги комплетите за обука и тестирање за да можете точно да го измерите успехот.
- Изберете и обучете го моделот: Започнете едноставно (линеарно), преместете се на дрво, доколку е потребно.
- Оценете: погледнете ги метриките за грешки во тест множеството (на пр. RMSE, R²).
- Коментар: Која променлива е колку е ефективна? Дали има смисла физички?
- Потврдете: Тестирајте критичко предвидување со вистинско експериментирање; Проверете за екстраполација.
концепт
Значење
Зошто е важно во металургијата?
Преоптоварување
Модел што ја меморира бучавата
Многу е лесно со малку податоци од тестот
интерполација
Предвидување во опсегот на обука
Релативно безбеден регион
екстраполација
Предвидување надвор од опсегот на тренинг
несигурни; потребен е експеримент
R²
Пропорција на варијанса објаснета со моделот
Индикатор за квалитет на вклопување
Важноста на карактеристиката
Големината на влијанието на влезот
Проверка на физичка разумност
три мини футроли
Случај 1 - Модел за меморирање. Тим гради комплексен модел кој предвидува јачина на принос со 45 примероци од челик; Податоците за обука испаѓаат дека се R² = 0,99 и тие се радуваат. Меѓутоа, во податоците од тестот паѓа на R² = 0,42. Моделот е префинет. Кога ќе се префрлат на поедноставен модел и ќе ги зголемат податоците, успехот на тестот се зголемува на 0,80. Лекција: образовниот успех е погрешен; Одлуката е донесена со податоци од тестот.
Случај 2 - Екстраполациона стапица. Инженер применува модел обучен на нисколегирани челици на нерѓосувачки состав со висока содржина на Cr. Моделот вели „околу 620 MPa“. Вистинскиот тест на истегнување излегува на 410 MPa. Составот е целосно надвор од образовната дистрибуција. Лекција: пред предвидувањето, императив е да се провери дали влезот е во опсегот за обука.
Случај 3 - Правилна употреба. Тим за истражување и развој го моделира ефектот на температурата на калење врз тврдоста со илјадници записи во семејство на легури. Моделот го репродуцира познатиот физички тренд (тврдоста се намалува со зголемување на температурата на калење) и се стеснува во кој опсег на составот ќе се постигне целната цврстина. Тимот го користи моделот за да го намали бројот на експерименти: постигнување на целта со 8 експерименти наместо 40 и потврдување на секој чекор со мерења. Лекција: МЛ интелигентно го намалува планирањето на експериментот со добри податоци и физички проверки на веродостојност.
Шаблони за копирање на брзините
ML шаблон за ПОСТАВУВАЊЕ НА ПРОБЛЕМ „Улога: Вие сте асистент за наука за материјални податоци. Цел: [функцијата што треба да се предвиди]. Влезови: [атрибути]. Имам [n] примероци. За овој проблем: (1) предложете соодветни едноставни и напредни опции за модел, (2) објаснете го поделбата на обука/тест и метрика за евалуација, (3) дефинирајте ги ризиците засновани на успехот и запишете ги ризиците за успех над јасно се ограничува“.
шаблон за РЕВИЗИЈА ЗА КВАЛИТЕТ НА ПОДАТОЦИ"Проверете го квалитетот на следната табела со податоци: [залепете колони и примероци на редови]. Знаме: недостасуваат вредности, оддалечени, неусогласени единици, неурамнотежена дистрибуција. За секое прашање, предложете како да се справите со него. Наведете какви проверки треба да направам пред моделирањето."
ШАБЕЛ ЗА КОНТРОЛА ЗА ЕКСТРАПОЛАЦИЈА "Опсегот на минимум-макс на секој влез во мојот принос за обука е: [опсези на запишување]. Новиот примерок што сакам да го предвидам е: [запишете вредности]. Дали овој примерок е внатре или надвор од опсегот за обука во секој атрибут? Ако е надвор, објаснете во кои променливи и зошто предвидувањето би било неверодостојно со експериментот за проверка.
ФИЗИЧКА веродостојност шаблон "Редоследот на важноста на карактеристиките на моделот е [сортирање]. Дали овој редослед е во согласност со познатите металуршки односи (на пр. Hall-Petch, стврднување на талог, ефект на јаглерод)? Ако има физички неочекуван ефект, означете го и објаснете го можниот проблем со податоци/модел."
Слаб промпт / Силен промпт
СЛАБ ПРЕСТАВ: „Предвидете ја јачината на принос врз основа на овој состав“.
СИЛЕН ПРЕТСТАВ: „Улога: Вие сте асистент за наука за податоци за материјалите. Имам 800 линии на податоци со нисколегиран челик (C, Mn, Cr, Ni, температура на калење ->јачина на отстапување). Нов примерок: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, температура=550 °C. Прво приспособете го опсегот на обуката дали е во соодветен опсег. несигурност Објаснете ако не е погодно, предложете ја физичката веродостојност со помош на Hall-Petch и температурниот ефект.
Силното барање бара проверка на екстраполација пред да се направи предвидување, ја отстранува неизвесноста и го тестира резултатот во однос на физичките закони. Ова дава многу посигурна основа за одлука отколку необработен број.
Вообичаени грешки
- Помешање на образовниот успех со вистински успех (прескокнување прекумерно поставување).
- Оценување на моделот без да се направи поделба на обука/тест.
- Прифаќање на проценката произведена во регионот на екстраполација како безбедна.
- Градење сложени модели со малку и неурамнотежени податоци.
- Не се споредува важноста на карактеристиките со физичката веродостојност.
- Внесување критичка претпоставка во дизајнот без да се потврди преку експеримент.
Сумирано
Машинското учење моќно ги доловува односите состав-процес-својство со добри податоци и интелигентно го намалува планирањето на експериментот. Но, моделот е добар само како и неговите податоци; Постигнувањето на обуката може да доведе до заблуда (преоптоварување) и проценките надвор од опсегот на обуката (екстраполација) се несигурни. Тестирајте го секое предвидување со успех на податоците од тестот, контрола на екстраполација, физичка веродостојност и, во критични случаи, вистинско експериментирање.
Задача за апликација
Дефинирајте проблем со предвидување на својствата со постоечко (или измислено) материјално збир на податоци: запишете ја целта и влезните податоци. Побарајте пристап од вештачката интелигенција со шаблонот „ML PROBLEM FIGURE“. Потоа дефинирајте „нов примерок“ и проверете дали овој примерок е во опсегот за обука со шаблонот „ПРОВЕРКА НА ЕКСТРАПОЛАЦИЈАТА“. Конечно, опишете во параграф со кој експеримент ќе го потврдите излезот од моделот.
листа за проверка
- [ ] Јасно ги дефинирав целта и инпутите.
- [ ] Го проверив квалитетот на податоците (недостасува, оддалеченост, единица, биланс).
- [ ] Го измерив искрениот успех со поделбата на обука/тест.
- [ ] Го проверив ризикот од екстраполација за секоја проценка.
- [ ] Ја споредив важноста на карактеристиката со физичката веродостојност.
- [ ] Направив план да го потврдам критичкото предвидување со вистинско експериментирање.