Unità 3 / 12

Tbassir tal-Karatteristiċi u Relazzjonijiet Struttura-Proċess-Proprjetà (Tagħlim Magni)

Qligħ:

  • Kapaċità li tinbena b'mod preċiż il-problema tat-tagħlim tal-magni bl-AI għal tbassir tal-proprjetà mekkanika mill-kompożizzjoni u l-parametri tal-proċess
  • Kapaċità li taqra b'mod kritiku l-output ta' mudell billi tagħraf ir-riskji tal-kwalità tad-dejta, it-twaħħil żejjed, u l-estrapolazzjoni
  • Kapaċità li tittestja r-riżultati tal-mudell tat-tbassir bi plawżibbiltà fiżika, intervall ta 'kunfidenza u esperiment ta' verifika

L-aktar liġi bażika tal-metallurġija hija mqassra bħala "il-proċess jiddetermina l-istruttura; l-istruttura tiddetermina l-proprjetà." Il-qawwa ta 'rendiment ta' azzar tiddependi mhux biss fuq il-kompożizzjoni; Jirriżulta minn kif jiġi pproċessat (forġa, rolling, trattament bis-sħana) u l-mikrostruttura li tirriżulta (daqs tal-qamħ, proporzjon tal-fażi, preċipitati). L-intelliġenza artifiċjali, u speċjalment it-tagħlim tal-magni (ML: metodi li jitgħallmu u jagħmlu tbassir minn mudelli fid-dejta), hija b'saħħitha fl-estrazzjoni ta 'dawn ir-relazzjonijiet kompożizzjoni-proċess-proprjetà minn eluf ta' punti ta 'dejta u tbassar il-proprjetajiet ta' liga ġdida. Iżda din is-setgħa hija kompletament dipendenti fuq il-kwalità tad-dejta u l-għarfien fejn il-mudell huwa affidabbli. F'din l-unità, int se titgħallem kif tibni tbassir tal-karatteristiċi bbażati fuq ML u kif taqra b'mod kritiku l-output tagħha.

It-twaqqif tal-problema tat-tagħlim tal-magni b'mod korrett

Qabel ma titfa' problema ta' tbassir ta' karatteristiċi f'ML, agħmel tliet affarijiet ċari:

  • Input (attributi): Varjabbli li għandhom jintużaw fit-tbassir. Pereżempju, perċentwali tal-kompożizzjoni (C, Mn, Cr, Ni...), temperatura u ħin tat-trattament tas-sħana, daqs tal-qamħ.
  • Output (mira): Il-karatteristika li għandha tiġi mbassra. Pereżempju, is-saħħa tar-rendiment, it-titwil, l-ebusija.
  • Data: Tabella ta' pari input-output. Kull ringiela hija kampjun, kull kolonna hija attribut jew mira.

Il-mudell jitgħallem "funzjoni" minn din id-dejta: jieħu inputs u jbassar l-output. Metodi bħal rigressjoni lineari (somma peżata sempliċi), foresti każwali jew spinta tal-gradjent huma komuni. L-AI hija ta' għajnuna biex tissuġġerixxi liema metodu huwa adattat, tikteb il-kodiċi, u tinterpreta r-riżultat; imma tiċċekkja jekk il-mudell huwiex validu jew le.

Kwalità tad-dejta: limitu massimu tal-mudell

Mudell ML ma jistax ikun aħjar mid-dejta li jkun imħarreġ fuqha. Il-prinċipju ta '"żibel ġewwa, żibel barra" huwa b'saħħtu ħafna fil-metallurġija minħabba li d-dejta tat-test hija għalja u skarsa. Oqgħod attent għal dawn in-nases:

  • Ftit data: ma tistax tibni mudelli kumplessi bi 30 kampjun; Il-mudell jimmemorizza d-data.
  • Dejta żbilanċjata: Jekk il-biċċa l-kbira tad-dejta hija azzar b'karbonju baxx, il-previżjoni tkun fqira f'liga ta 'karbonju għoli.
  • Ħoss tal-kejl: L-ebusija tal-istess kampjun tista 'tvarja ma' operaturi differenti; Dan il-ħoss huwa rifless fil-mudell.
  • Varjabbli nieqsa: Jekk ma tkejjel id-daqs tal-qamħ, il-mudell li jipprova jbassar is-saħħa bil-kompożizzjoni biss se jitlef raġuni importanti.
Attenzjoni: Sempliċement għax mudell ikollu suċċess kbir fid-dejta tat-taħriġ ma jfissirx li se jkun suċċess ukoll f'kampjuni ġodda. Dan jista 'jkun overfitting: il-mudell memorized l-istorbju fid-dejta tat-taħriġ, mhux ir-relazzjoni vera. Is-suċċess reali jitkejjel fuq "dejta tat-test" li l-mudell qatt ma ra qabel.

Estrapolazzjoni: l-aktar limitu perikoluż

Il-mudelli ML jaħdmu b'mod raġonevoli fil-medda koperta mid-dejta tat-taħriġ (interpolazzjoni). Meta barra minn din il-firxa (estrapolazzjoni), il-previżjonijiet isiru inaffidabbli u l-mudell ħafna drabi ma jurix dan; tkompli tipproduċi numru kunfidenti. Pereżempju, mudell imħarreġ fuq azzar b'kontenut ta 'karbonju fil-medda ta' 0.2–0.6% jista 'juri l-valur tiegħu għal liga b'1.2% karbonju bħala "sikur", iżda dan il-valur huwa kompletament infondat. Għal kull tbassir, "dan il-kampjun jinsab fid-distribuzzjoni tad-dejta tat-taħriġ?" Huwa imperattiv li tistaqsi l-mistoqsija.

Pass pass: Bini ta' fluss ta' tbassir bl-AI

  1. Iddefinixxi l-għan u l-inputs: X'se tbassar u minn liema varjabbli?
  2. Ipprepara d-dejta: Naddaf, iffissa unitajiet, sinjal valuri nieqsa. (AI: Jikteb kodiċi Python.)
  3. Aqsam id-dejta: Issepara s-settijiet ta 'taħriġ u ttestjar sabiex tkun tista' tkejjel is-suċċess b'mod preċiż.
  4. Agħżel u tħarreġ mudell: Ibda sempliċi (lineari), imxi fuq is-siġar jekk meħtieġ.
  5. Evalwa: Ħares lejn il-metriċi tal-iżball fuq is-sett tat-test (eż. RMSE, R²).
  6. Kumment: Liema varjabbli hija kemm effettiva? Jagħmel sens fiżikament?
  7. Ivverifika: Ittestja tbassir kritiku b'esperimentazzjoni attwali; Iċċekkja għal estrapolazzjoni.

kunċett

Tifsira

Għaliex huwa importanti fil-metallurġija?

Żejjed

Mudell jimmemorizza l-istorbju

Huwa faċli ħafna bi ftit dejta tat-test

interpolazzjoni

Tbassir fil-medda tat-taħriġ

Reġjun relattivament sigur

estrapolazzjoni

Tbassir barra l-firxa tat-taħriġ

inaffidabbli; esperiment huwa meħtieġ

Proporzjon ta' varjanza spjegata mill-mudell

Indikatur tal-kwalità tajba

Importanza tal-karatteristika

Il-kobor tal-impatt ta' input

Kontroll tar-raġonevolezza fiżika

tliet każijiet żgħar

Każ 1 — Mudell li jimmemorizza. Tim jibni mudell kumpless li jbassar is-saħħa tar-rendiment b'45 kampjun tal-azzar; Id-dejta tat-taħriġ tirriżulta li hija R² = 0.99 u jifirħu. Madankollu, fid-dejta tat-test tinżel għal R² = 0.42. Il-mudell huwa overfit. Meta jaqilbu għal mudell aktar sempliċi u jżidu d-dejta, is-suċċess tat-test jiżdied għal 0.80. Lezzjoni: is-suċċess edukattiv huwa qarrieqi; Id-deċiżjoni ssir b'dejta tat-test.

Każ 2 — Nassa ta' estrapolazzjoni. Inġinier japplika mudell imħarreġ fuq azzar b'liga baxxa għal kompożizzjoni ta 'stainless Cr għoli. Il-mudell jgħid "madwar 620 MPa." It-test tat-tensjoni attwali joħroġ għal 410 MPa. Il-kompożizzjoni hija kompletament barra mid-distribuzzjoni edukattiva. Lezzjoni: qabel it-tbassir huwa imperattiv li tivverifika jekk l-input hux fil-medda tat-taħriġ.

Każ 3 — Użu korrett. Tim ta 'R&D jimmudella l-effett tat-temperatura tat-tempra fuq l-ebusija b'eluf ta' rekords f'familja ta 'ligi. Il-mudell jirriproduċi t-tendenza fiżika magħrufa (l-ebusija tonqos b'żieda fit-temperatura tat-tempra) u jonqos f'liema firxa ta 'kompożizzjoni se tinkiseb l-ebusija fil-mira. It-tim juża l-mudell biex inaqqas in-numru ta 'esperimenti: jilħaq l-għan bi 8 esperimenti minflok 40 u jivvalida kull pass b'kejl. Lezzjoni: ML jonqos b'mod intelliġenti l-ippjanar tal-esperimenti b'dejta tajba u kontrolli tal-plawżibbiltà fiżika.

Mudelli fil-pront kopjabbli

ML PROBLEM SETTING TEMPLATE "Rwol: Inti assistent tax-xjenza tad-dejta tal-materjal. Għan: [karatteristika li trid tiġi mbassra]. Inputs: [attributi]. Għandi [n] kampjuni. Għal din il-problema: (1) jissuġġerixxu għażliet ta 'mudell sempliċi u avvanzati xierqa, (2) spjega l-qsim tat-taħriġ/test u l-metrika ta' evalwazzjoni, (3) tinterpreta r-riskji ta 'overfitting u estrapolazzjoni definittiva bbażata fuq dan il-limitu. b'mod ċar."

MUDELL TAL-VERIFIKA TAL-KWALITÀ DATA "Iċċekkja l-kwalità tat-tabella tad-dejta li ġejja: [kolonni pejst u ringieli tal-kampjun]. Bandiera: valuri neqsin, outliers, inkonsistenzi tal-unità, distribuzzjoni żbilanċjata. Għal kull kwistjoni, tissuġġerixxi kif timmaniġġaha. Elenka x'kontrolli għandi nagħmel qabel ma timmudella."

MUDELL TAL-KONTROLL TA' L-ESTRAPOLAZZJONI "Il-firxa min-max ta' kull input fir-rendiment tat-taħriġ tiegħi hija: [kitba firxiet]. Il-kampjun ġdid li rrid inbassar huwa: [kitba valuri]. Dan il-kampjun huwa ġewwa jew barra l-firxa tat-taħriġ f'kull attribut? Jekk ikun barra, spjega f'liema varjabbli u għaliex it-tbassir ma jkunx affidabbli. Issuġġerixxi verifika b'esperiment."

PLAwSIBILITÀ FIŻIKA TEMPLATE "L-ordni tal-mudell tal-importanza tal-karatteristika hija [sort]. Din l-ordni hija konsistenti mar-relazzjonijiet metallurġiċi magħrufa (eż. Hall-Petch, ebusija tal-preċipitat, effett tal-karbonju)? Jekk ikun hemm effett fiżikament mhux mistenni, immarkah u spjega l-problema possibbli tad-data/mudell."

Pront dgħajjef / Pront qawwi

PROMPT DGĦAJF: "Ipprevedi s-saħħa tar-rendiment ibbażata fuq din il-kompożizzjoni."

STRONG PROMPT: "Rwol: Int l-assistent tax-xjenza tad-dejta tal-materjal. Għandi 800 linja ta 'dejta tal-azzar b'liga baxxa (C, Mn, Cr, Ni, ittemprar temperatura -> saħħa ta' rendiment). Kampjun ġdid: C = 0.38, Mn = 0.8, Cr = 1.0, Ni = 0.2, temper = 550 °C. L-ewwel, aġġusta l-firxa ta 'tbassir. inċertezza Spjega jekk mhux adattat, iċċekkja l-plawżibilità fiżika b'Hall-Petch u l-effett tat-temperatura.

Il-pront qawwi jitlob verifika ta 'estrapolazzjoni qabel ma jagħmel tbassir, ineħħi l-inċertezza, u jittestja r-riżultat kontra l-liġijiet fiżiċi. Dan jagħti bażi ta' deċiżjoni ferm aktar affidabbli minn numru mhux maħdum.

Żbalji komuni

  • Tiżbalja s-suċċess edukattiv għal suċċess reali (taqbeż it-twaħħil żejjed).
  • Evalwazzjoni tal-mudell mingħajr ma tagħmel qsim ta 'taħriġ/test.
  • Taċċetta l-istima prodotta fir-reġjun ta 'estrapolazzjoni bħala sigura.
  • Il-bini ta' mudelli kumplessi b'dejta żgħira u żbilanċjata.
  • Mhux tqabbel l-importanza tal-karatteristika mal-plawżibbiltà fiżika.
  • It-tqegħid ta 'raden kritika fid-disinn mingħajr ma tivverifikaha permezz ta' esperiment.

Fil-qosor

It-tagħlim bil-magni jaqbad b'mod qawwi r-relazzjonijiet kompożizzjoni-proċess-proprjetà b'dejta tajba u jnaqqas b'mod intelliġenti l-ippjanar tal-esperimenti. Iżda mudell huwa tajjeb biss daqs id-data tiegħu; Il-kisba tat-taħriġ tista' tkun qarrieqa (twaħħil żejjed) u stimi barra mill-firxa tat-taħriġ (estrapolazzjoni) mhumiex affidabbli. Ittestja kull tbassir b'suċċess tad-dejta tat-test, kontroll tal-estrapolazzjoni, plawsibbiltà fiżika, u, f'każijiet kritiċi, esperimentazzjoni attwali.

Kompitu ta' applikazzjoni

Iddefinixxi problema ta' tbassir ta' proprjetà b'sett ta' dejta materjali eżistenti (jew fittizju): ikteb il-mira u l-inputs. Itlob għal approċċ mill-AI bil-mudell "ML PROBLEM FIGURE". Imbagħad iddefinixxi "kampjun ġdid" u ċċekkja jekk dan il-kampjun huwiex fi ħdan il-firxa tat-taħriġ bil-mudell "VERROKA TA' ESTRPOLAZZJONI". Fl-aħħarnett, iddeskrivi f'paragrafu b'liema esperiment se tivverifika l-output tal-mudell.

lista ta' kontroll

  • [ ] Iddefinijt b'mod ċar l-għan u l-inputs.
  • [ ] Iċċekkjajt il-kwalità tad-dejta (nieqsa, outlier, unità, bilanċ).
  • [ ] Qajjt is-suċċess onest bil-qasma ta' taħriġ/test.
  • [ ] Iċċekkja r-riskju ta' estrapolazzjoni għal kull stima.
  • [ ] Qabbilt l-importanza tal-karatteristika mal-plawżibbiltà fiżika.
  • [ ] Għamilt pjan biex tivverifika t-tbassir kritiku b'esperimentazzjoni attwali.