Добици:
- Способност да се прецизно конструише проблем машинског учења са АИ за предвиђање механичких својстава на основу параметара састава и процеса
- Способност критичког читања излаза модела препознавањем ризика квалитета података, прекомерног прилагођавања и екстраполације
- Способност тестирања резултата модела предвиђања са физичком веродостојношћу, интервалом поверења и верификационим експериментом
Најосновнији закон металургије сажет је као "процес одређује структуру; структура одређује својство." Граница течења челика не зависи само од састава; Настаје из начина на који се обрађује (ковање, ваљање, термичка обрада) и настале микроструктуре (величина зрна, однос фаза, преципитати). Вештачка интелигенција, а посебно машинско учење (МЛ: методе које уче и предвиђају на основу образаца у подацима), моћне су у издвајању ових односа састав–процес–својства из хиљада тачака података и предвиђању својстава нове легуре. Али ова моћ у потпуности зависи од квалитета података и сазнања где је модел поуздан. У овој јединици ћете научити како да конструишете предвиђање функција засновано на МЛ-у и како да критички прочитате његов излаз.
Исправно подешавање проблема машинског учења
Пре него што убаците проблем предвиђања карактеристика у МЛ, разјасните три ствари:
- Улаз (атрибути): Променљиве које се користе у предвиђању. На пример, проценти састава (Ц, Мн, Цр, Ни...), температура и време термичке обраде, величина зрна.
- Излаз (циљ): Карактеристика коју треба предвидети. На пример, граница попуштања, издужење, тврдоћа.
- Подаци: Табела улазно-излазних парова. Сваки ред је узорак, свака колона је атрибут или циљ.
Модел учи „функцију“ из ових података: узима улазне податке и предвиђа излаз. Методе као што су линеарна регресија (једноставна пондерисана сума), насумична шума или повећање градијента су уобичајене. АИ је од помоћи у сугерисању која метода је прикладна, писању кода и тумачењу резултата; али ви проверите да ли је модел валидан или не.
Квалитет података: плафон модела
МЛ модел не може бити бољи од података на којима се обучава. Принцип „ђубре унутра, смеће напоље“ је веома јак у металургији јер су подаци о тестовима скупи и оскудни. Пазите на ове замке:
- Мало података: не можете направити сложене моделе са 30 узорака; Модел памти податке.
- Неуравнотежени подаци: Ако се већина података односи на челик са ниским садржајем угљеника, предвиђање ће бити лоше у легури са високим садржајем угљеника.
- Бука мерења: Тврдоћа истог узорка може да варира код различитих оператера; Овај шум се одражава у моделу.
- Променљива која недостаје: Ако нисте измерили величину зрна, модел који покушава да предвиди снагу само по саставу ће пропустити важан разлог.
Пажња: Само зато што модел има висок успех у подацима о обуци не значи да ће бити успешан и у новим узорцима. Ово може бити претерано уклапање: модел је упамтио шум у подацима о обуци, а не прави однос. Прави успех се мери на „тестним подацима“ које модел никада раније није видео.
Екстраполација: најопаснија граница
МЛ модели раде разумно у опсегу који покривају подаци о обуци (интерполација). Када су изван овог опсега (екстраполација), предвиђања постају непоуздана и модел то често не показује; наставља да производи сигуран број. На пример, модел обучен на челицима са садржајем угљеника у опсегу од 0,2–0,6% може показати своју вредност за легуру са 1,2% угљеника као „сигурну“, али је ова вредност потпуно неоснована. За свако предвиђање, „да ли је овај узорак у оквиру дистрибуције података о обуци?“ Неопходно је поставити питање.
Корак по корак: Изградња тока предвиђања помоћу АИ
- Дефинишите циљ и инпуте: Шта ћете предвидети и на основу којих варијабли?
- Припремите податке: очистите, поправите јединице, означите недостајуће вредности. (АИ: Пише Питхон код.)
- Раздвојите податке: Одвојите скупове за обуку и тестирање да бисте могли тачно да мерите успех.
- Изаберите и обучите модел: Почните једноставно (линеарно), пређите на базиран на стаблу ако је потребно.
- Процена: Погледајте метрику грешке на тестном скупу (нпр. РМСЕ, Р²).
- Коментар: Која варијабла је колико је ефикасна? Има ли то физички смисла?
- Потврдите: Тестирајте критично предвиђање стварним експериментисањем; Проверите екстраполацију.
концепт
Значење
Зашто је то важно у металургији?
Оверфиттинг
Модел који памти шум
Веома је лако са мало тестних података
интерполација
Предвиђање у оквиру тренинга
Релативно сигуран регион
екстраполација
Предвиђање ван домета тренинга
непоуздан; потребан је експеримент
Р²
Пропорција варијансе објашњена моделом
Индикатор квалитета уклапања
Значај карактеристика
Величина утицаја инпута
Провера физичке разумности
три мини кофера
Случај 1 — Памћење модела. Тим прави сложен модел који предвиђа границу течења са 45 узорака челика; Испоставило се да су подаци о обуци Р² = 0,99 и они се радују. Међутим, у подацима теста пада на Р² = 0,42. Модел је оверфит. Када пређу на једноставнији модел и повећају податке, успех теста се повећава на 0,80. Поука: образовни успех је погрешан; Одлука се доноси на основу података теста.
Случај 2 — Екстраполациона замка. Инжењер примењује модел обучен на нисколегираним челицима на нерђајући састав са високим садржајем Цр. Модел каже „око 620 МПа“. Стварни тест затезања долази до 410 МПа. Композиција је потпуно ван образовне дистрибуције. Поука: пре предвиђања неопходно је проверити да ли је унос у опсегу тренинга.
Случај 3 — Правилна употреба. Тим за истраживање и развој моделира ефекат температуре каљења на тврдоћу са хиљадама записа у породици легура. Модел репродукује познати физички тренд (тврдоћа опада са повећањем температуре каљења) и сужава у ком опсегу састава ће се постићи циљна тврдоћа. Тим користи модел да смањи број експеримената: постизање циља са 8 експеримената уместо са 40 и потврђивање сваког корака мерењима. Лекција: МЛ интелигентно сужава планирање експеримента уз добре податке и физичке провере веродостојности.
Шаблони упита који се могу копирати
ШАБЛОНА ЗА ПОСТАВЉАЊЕ ПРОБЛЕМА МЛ „Улога: Ви сте помоћник у науци о материјалним подацима. Циљ: [функција која се предвиђа]. Уноси: [атрибути]. Имам [н] узорака. За овај проблем: (1) предложите одговарајуће једноставне и напредне опције модела, (2) објасните подјелу обуке/тестирања и метрику евалуације, (3) тумачите ове податке на основу обећања и не дефинишите ризике од екстраполирања; јасно ограничава."
ШАБЛОНА РЕВИЗИЈЕ КВАЛИТЕТА ПОДАТАКА „Проверите квалитет следеће табеле са подацима: [налепите колоне и узорке редова]. Ознака: недостајуће вредности, одступања, недоследности јединица, неуравнотежена дистрибуција. За сваки проблем предложите како да се носите са тим. Наведите које провере треба да урадим пре моделирања.“
ШАБЛОНА ЗА КОНТРОЛУ ЕКСТРАПОЛАЦИЈЕ „Минимални-максимални опсег сваког уноса у мом приносу за обуку је: [опсези писања]. Нови узорак који желим да предвидим је: [напишите вредности]. Да ли је овај узорак унутар или изван опсега обуке у сваком атрибуту? Ако је изван, објасните у којим варијаблама и зашто би предвиђање било непоуздано. Предложите верификацију експериментом.“
ФИЗИЧКА веродостојност ШАБЛОНА „Редослед модела по важности карактеристика је [сорт]. Да ли је овај ред у складу са познатим металуршким односима (нпр. Халл-Петцх, отврдњавање преципитата, ефекат угљеника)? Ако постоји физички неочекивани ефекат, означите га и објасните могући проблем са подацима/моделом.“
Слаби промпт / Јаки промпт
ВЕАК ПРОМПТ: "Предвидите границу течења на основу овог састава."
СНАЖНА УПОТРЕБА: „Улога: Ви сте асистент за науку о материјалима. Имам 800 линија података нисколегираног челика (Ц, Мн, Цр, Ни, температура каљења -> јачина течења). Нови узорак: Ц=0,38, Мн=0,8, Цр=1,0, Ни=0,2, темперамент = 550 °Ц. Прво проверите да ли је овај узорак прикладан за обуку и проверите да ли је предодређени опсег одговарајући. Објасните, ако није прикладно, проверите физичку веродостојност са Халл-Петцх и температурним ефектом.
Јака промпт тражи проверу екстраполације пре него што се направи предвиђање, уклања несигурност и тестира резултат у односу на физичке законе. Ово даје много поузданију основу за одлучивање од необрађеног броја.
Уобичајене грешке
- Погрешка образовног успеха за прави успех (прескакање прекомерне опреме).
- Процена модела без одвајања тренинга/тестирања.
- Прихватање процене произведене у региону екстраполације као сигурне.
- Изградња сложених модела са мало и неуравнотеженим подацима.
- Не поредити важност карактеристика са физичком веродостојношћу.
- Стављање критичке претпоставке у дизајн без верификације експериментом.
Укратко
Машинско учење моћно обухвата односе композиција–процес–својства са добрим подацима и интелигентно сужава планирање експеримента. Али модел је добар онолико колико су добри његови подаци; Постигнуће у тренингу може да доведе у заблуду (прекомплицирано) и процене изван опсега обуке (екстраполација) су непоуздане. Тестирајте свако предвиђање са успехом тестних података, контролом екстраполације, физичком веродостојношћу и, у критичним случајевима, стварним експериментисањем.
Задатак апликације
Дефинишите проблем предвиђања својстава са постојећим (или измишљеним) скупом података материјала: запишите циљ и улазе. Затражите приступ од АИ са шаблоном „МЛ ПРОБЛЕМ ФИГУРЕ“. Затим дефинишите „нови узорак“ и проверите да ли је овај узорак унутар опсега обуке помоћу шаблона „ЕКСТРАПОЛАЦИЈА ПРОВЕРА“. На крају, опишите у параграфу којим експериментом ћете верификовати излаз модела.
контролна листа
- [ ] Јасно сам дефинисао циљ и инпуте.
- [ ] Проверио сам квалитет података (недостаје, одступање, јединица, баланс).
- [ ] Мерио сам поштен успех у подели тренинг/тест.
- [ ] Проверио сам ризик екстраполације за сваку процену.
- [ ] Упоредио сам значај карактеристика са физичком веродостојношћу.
- [ ] Направио сам план да проверим критично предвиђање стварним експериментисањем.