Dobički:
- Sposobnost natančne konstrukcije problema strojnega učenja z umetno inteligenco za predvidevanje mehanskih lastnosti iz parametrov sestave in procesa
- Sposobnost kritičnega branja rezultatov modela s prepoznavanjem tveganj kakovosti podatkov, prekomernega opremljanja in ekstrapolacije
- Sposobnost testiranja rezultatov modela napovedi s fizično verjetnostjo, intervalom zaupanja in preizkusom preverjanja
Najosnovnejši zakon metalurgije je povzet kot "proces določa strukturo; struktura določa lastnost." Meja tečenja jekla ni odvisna samo od sestave; Izhaja iz načina obdelave (kovanje, valjanje, toplotna obdelava) in nastale mikrostrukture (velikost zrn, fazno razmerje, izločki). Umetna inteligenca in še posebej strojno učenje (ML: metode, ki se učijo in napovedujejo iz vzorcev v podatkih) je močna pri pridobivanju razmerij sestava–proces–lastnost iz tisočih podatkovnih točk in napovedovanju lastnosti nove zlitine. Toda ta moč je popolnoma odvisna od kakovosti podatkov in poznavanja tega, kje je model zanesljiv. V tej enoti se boste naučili, kako sestaviti napoved funkcij, ki temelji na ML, in kako kritično prebrati njen rezultat.
Pravilna nastavitev težave s strojnim učenjem
Preden težavo s predvidevanjem funkcij prenesete v ML, pojasnite tri stvari:
- Vnos (atributi): spremenljivke, ki se uporabljajo pri napovedi. Na primer odstotki sestave (C, Mn, Cr, Ni ...), temperatura in čas toplotne obdelave, velikost zrn.
- Izhod (cilj): funkcija, ki jo je treba predvideti. Na primer, meja tečenja, raztezek, trdota.
- Podatki: tabela vhodno-izhodnih parov. Vsaka vrstica je vzorec, vsak stolpec je atribut ali cilj.
Model se iz teh podatkov nauči »funkcije«: sprejme vnose in napove izhod. Pogoste so metode, kot je linearna regresija (enostavna tehtana vsota), naključni gozd ali gradientno povečanje. AI je v pomoč pri predlaganju, katera metoda je primerna, pisanju kode in razlagi rezultata; ti pa preveriš ali je model veljaven ali ne.
Kakovost podatkov: zgornja meja modela
Model ML ne more biti boljši od podatkov, na katerih se usposablja. Načelo "smeti noter, smeti ven" je v metalurgiji zelo močno, ker so testni podatki dragi in redki. Pazite na te pasti:
- Malo podatkov: ne morete sestaviti kompleksnih modelov s 30 vzorci; Model si zapomni podatke.
- Neuravnoteženi podatki: Če je večina podatkov nizkoogljičnih jekel, bo napoved slaba pri zlitini z visokim deležem ogljika.
- Hrup merjenja: trdota istega vzorca se lahko razlikuje pri različnih operaterjih; Ta hrup se odraža v modelu.
- Manjkajoča spremenljivka: Če niste izmerili velikosti zrn, bo model, ki poskuša napovedati trdnost samo s sestavo, spregledal pomemben razlog.
Pozor: Samo zato, ker je model zelo uspešen pri podatkih za usposabljanje, še ne pomeni, da bo uspešen tudi pri novih vzorcih. To je morda preveč: model si je zapomnil šum v podatkih o vadbi, ne pravega razmerja. Pravi uspeh se meri na "testnih podatkih", ki jih model še nikoli ni videl.
Ekstrapolacija: najnevarnejša meja
Modeli ML delujejo razumno znotraj obsega, ki ga pokrivajo podatki o usposabljanju (interpolacija). Ko so zunaj tega razpona (ekstrapolacija), napovedi postanejo nezanesljive in model tega pogosto ne pokaže; še naprej ustvarja zanesljivo številko. Na primer, model, treniran na jeklih z vsebnostjo ogljika v območju od 0,2 do 0,6 %, lahko svojo vrednost za zlitino z 1,2 % ogljika prikaže kot "varno", vendar je ta vrednost popolnoma neutemeljena. Za vsako napoved, "ali je ta vzorec znotraj distribucije podatkov o usposabljanju?" Nujno je postaviti vprašanje.
Korak za korakom: Izgradnja toka napovedi z AI
- Določite cilj in vhodne podatke: Kaj boste napovedali in iz katerih spremenljivk?
- Pripravite podatke: Očistite, popravite enote, označite manjkajoče vrednosti. (AI: piše kodo Python.)
- Razdelite podatke: Ločite nize za usposabljanje in testiranje, da boste lahko natančno izmerili uspeh.
- Izberite in usposobite model: Začnite preprosto (linearno), po potrebi se premaknite na drevesni.
- Ocenite: Oglejte si meritve napak na testnem nizu (npr. RMSE, R²).
- Komentar: Katera spremenljivka je kako učinkovita? Je fizično smiselno?
- Preverite: preizkusite kritično napoved z dejanskim eksperimentiranjem; Preverite ekstrapolacijo.
koncept
Pomen
Zakaj je pomemben v metalurgiji?
Prekomerno opremljanje
Model, ki si zapomni hrup
To je zelo enostavno z malo testnimi podatki
interpolacija
Napoved znotraj obsega treninga
Relativno varna regija
ekstrapolacija
Napoved izven območja treninga
nezanesljiv; potreben je poskus
R²
Delež variance, razložen z modelom
Indikator kakovosti prileganja
Pomembnost funkcije
Velikost vpliva vložka
Preverjanje fizične razumnosti
trije mini kovčki
1. primer – model zapomnitve. Ekipa zgradi kompleksen model, ki napoveduje mejo tečenja s 45 vzorci jekla; Izkazalo se je, da so podatki o usposabljanju R² = 0,99 in veselijo se. Vendar pa v podatkih o preskusu pade na R² = 0,42. Model je overfit. Ko preidejo na enostavnejši model in povečajo podatke, se uspešnost testa poveča na 0,80. Nauk: izobraževalni uspeh je zavajajoč; Odločitev je sprejeta na podlagi testnih podatkov.
Primer 2 – Ekstrapolacijska past. Inženir uporabi model, ki je bil naučen na nizkolegiranih jeklih, na nerjavno sestavo z visoko vsebnostjo Cr. Model pravi "približno 620 MPa." Dejanski natezni preskus je 410 MPa. Skladba je povsem izven izobraževalne distribucije. Nauk: pred napovedjo je nujno preveriti, ali je vnos v območju treninga.
3. primer – pravilna uporaba. Ekipa za raziskave in razvoj modelira učinek temperature popuščanja na trdoto s tisoči zapisov v družini zlitin. Model reproducira znani fizikalni trend (trdota se zmanjšuje z naraščajočo temperaturo popuščanja) in zoži, v katerem območju sestave bo ciljna trdota dosežena. Ekipa uporablja model za zmanjšanje števila poskusov: doseganje cilja z 8 poskusi namesto s 40 in preverjanje vsakega koraka z meritvami. Lekcija: ML inteligentno zoži načrtovanje poskusov z dobrimi podatki in preverjanji fizične verodostojnosti.
Kopirane predloge pozivov
PREDLOGA ZA NASTAVITEV TEŽAVE ML »Vloga: Ste pomočnik za znanost o materialnih podatkih. Cilj: [funkcija, ki jo je treba predvideti]. Vhodi: [atributi]. Imam [n] vzorcev. Za to težavo: (1) predlagajte ustrezne enostavne in napredne možnosti modela, (2) razložite razdelitev usposabljanja/testiranja in metriko ocenjevanja, (3) razložite tveganja prekomernega opremljanja in ekstrapolacije na podlagi teh podatkov. Ne obljubljajte dokončnega uspeha; napišite omejitve jasno."
PREDLOGA REVIZIJE KAKOVOSTI PODATKOV "Preverite kakovost naslednje podatkovne tabele: [prilepite stolpce in vzorčne vrstice]. Oznaka: manjkajoče vrednosti, odstopanja, nedoslednosti enot, neuravnotežena porazdelitev. Za vsako težavo predlagajte, kako jo rešiti. Navedite, katera preverjanja naj opravim pred modeliranjem."
PREDLOGA ZA NADZOR EKSTRAPOLACIJE "Najmanjši in največji obseg vsakega vnosa v mojem donosu usposabljanja je: [razponi zapisovanja]. Novi vzorec, ki ga želim predvideti, je: [vrednosti zapisovanja]. Ali je ta vzorec znotraj ali zunaj obsega usposabljanja v vsakem atributu? Če je zunaj, razložite, v katerih spremenljivkah in zakaj bi bila napoved nezanesljiva. Predlagajte preverjanje s poskusom."
PREDLOGA FIZIČNE verodostojnosti "Vrstni red pomembnosti značilnosti modela je [razvrsti]. Ali je ta vrstni red skladen z znanimi metalurškimi razmerji (npr. Hall-Petch, utrjevanje oborine, učinek ogljika)? Če pride do fizikalno nepričakovanega učinka, ga označite in razložite možno težavo s podatki/modelom."
Šibek poziv/močan poziv
WEAK PROMPT: "Predvidi mejo tečenja na podlagi te sestave."
MOČEN POZIV: »Vloga: Vi ste asistent za znanost o materialnih podatkih. Imam 800 vrstic podatkov o nizko legiranem jeklu (C, Mn, Cr, Ni, temperatura popuščanja -> meja tečenja). Nov vzorec: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, temperatura=550 °C. Najprej preverite, ali je ta vzorec znotraj območja usposabljanja. Če je primerno, prilagodite pristop napovedovanja in negotovost Pojasnite; če ni primerno, predlagajte navzkrižno preverjanje fizikalne verodostojnosti s pomočjo Hall-Petcha in temperaturnega učinka.
Močan poziv pred napovedjo zahteva preverjanje ekstrapolacije, odstrani negotovost in preizkusi rezultat glede na fizikalne zakone. To daje veliko bolj zanesljivo osnovo za odločitev kot neobdelana številka.
Pogoste napake
- Zamenjevanje izobraževalnega uspeha za resnični uspeh (preskakovanje prekomernega opremljanja).
- Ocenjevanje modela brez izvajanja razdelitve usposabljanje/test.
- Sprejemanje ocene, izdelane v ekstrapolacijski regiji, kot varne.
- Gradnja kompleksnih modelov z malo in neuravnoteženimi podatki.
- Neprimerjanje pomembnosti značilnosti s fizično verjetnostjo.
- Vnašanje kritičnega ugibanja v zasnovo brez preverjanja s poskusom.
Če povzamem
Strojno učenje z dobrimi podatki močno zajame razmerja sestava–proces–lastnost in inteligentno zoži načrtovanje poskusov. Toda model je tako dober, kot so dobri njegovi podatki; Dosežki pri vadbi so lahko zavajajoči (overfitting) in ocene zunaj obsega vadbe (ekstrapolacija) so nezanesljive. Preizkusite vsako napoved z uspešnostjo testnih podatkov, nadzorom ekstrapolacije, fizično verjetnostjo in v kritičnih primerih z dejanskim eksperimentiranjem.
Aplikacijska naloga
Definirajte problem napovedi lastnosti z obstoječim (ali izmišljenim) naborom materialnih podatkov: zapišite cilj in vnose. Prosite za pristop AI s predlogo »ML PROBLEM FIGURE«. Nato določite "nov vzorec" in s predlogo "PREVERJANJE EKSTRAPOLACIJE" preverite, ali je ta vzorec znotraj območja usposabljanja. Na koncu v odstavku opišite, s katerim poskusom boste preverili rezultat modela.
kontrolni seznam
- [ ] Jasno sem definiral cilj in vložke.
- [ ] Preveril sem kakovost podatkov (manjka, odstopanje, enota, ravnotežje).
- [ ] Pošten uspeh sem izmeril z razdelitvijo usposabljanje/test.
- [ ] Preveril sem tveganje ekstrapolacije za vsako oceno.
- [ ] Primerjal sem pomembnost značilnosti s fizično verjetnostjo.
- [ ] Naredil sem načrt za preverjanje kritične napovedi z dejanskim eksperimentiranjem.