การทำนายคุณสมบัติและความสัมพันธ์ระหว่างโครงสร้าง-กระบวนการ-คุณสมบัติ (การเรียนรู้ของเครื่อง)

กำไร:

• ความสามารถในการสร้างปัญหาการเรียนรู้ของเครื่องด้วย AI สำหรับการทำนายคุณสมบัติเชิงกลจากองค์ประกอบและพารามิเตอร์กระบวนการอย่างแม่นยำ
• ความสามารถในการอ่านเอาต์พุตของโมเดลอย่างมีวิจารณญาณ โดยตระหนักถึงความเสี่ยงด้านคุณภาพของข้อมูล การติดตั้งมากเกินไป และการประมาณค่า
• ความสามารถในการทดสอบผลลัพธ์ของแบบจำลองการทำนายด้วยความเป็นไปได้ทางกายภาพ ช่วงความเชื่อมั่น และการทดสอบการตรวจสอบ

กฎพื้นฐานที่สุดของโลหะวิทยาสรุปได้ว่า "กระบวนการกำหนดโครงสร้าง โครงสร้างกำหนดคุณสมบัติ" กำลังรับผลผลิตของเหล็กไม่เพียงแต่ขึ้นอยู่กับองค์ประกอบเท่านั้น มันเกิดขึ้นจากวิธีการประมวลผล (การตี การรีด การอบชุบด้วยความร้อน) และผลลัพธ์จากโครงสร้างจุลภาค (ขนาดเกรน อัตราส่วนเฟส การตกตะกอน) ปัญญาประดิษฐ์ และโดยเฉพาะอย่างยิ่งการเรียนรู้ของเครื่อง (ML: วิธีการที่เรียนรู้และคาดการณ์จากรูปแบบในข้อมูล) มีประสิทธิภาพในการดึงความสัมพันธ์ระหว่างองค์ประกอบ–กระบวนการ–คุณสมบัติเหล่านี้จากจุดข้อมูลหลายพันจุดและทำนายคุณสมบัติของโลหะผสมใหม่ แต่ประสิทธิภาพนี้ขึ้นอยู่กับคุณภาพของข้อมูลและการรู้ว่าโมเดลนั้นเชื่อถือได้ที่ใด ในหน่วยนี้ คุณจะได้เรียนรู้วิธีสร้างการทำนายฟีเจอร์ที่ใช้ ML และวิธีอ่านเอาต์พุตอย่างมีวิจารณญาณ

การตั้งค่าปัญหาการเรียนรู้ของเครื่องอย่างถูกต้อง

ก่อนที่จะทิ้งปัญหาการทำนายฟีเจอร์ลงใน ML โปรดระบุสามสิ่งให้ชัดเจนก่อน:

• ข้อมูลเข้า (แอตทริบิวต์): ตัวแปรที่จะใช้ในการทำนาย ตัวอย่างเช่น เปอร์เซ็นต์องค์ประกอบ (C, Mn, Cr, Ni...) อุณหภูมิและเวลาในการอบชุบ ขนาดเกรน
• ผลลัพธ์ (เป้าหมาย): คุณลักษณะที่จะคาดการณ์ ตัวอย่างเช่น ความแข็งแรงของผลผลิต การยืดตัว ความแข็ง
• ข้อมูล: ตารางคู่อินพุต-เอาต์พุต แต่ละแถวคือตัวอย่าง แต่ละคอลัมน์คือแอตทริบิวต์หรือเป้าหมาย

โมเดลเรียนรู้ "ฟังก์ชัน" จากข้อมูลนี้ โดยจะรับอินพุตและคาดการณ์เอาต์พุต วิธีการต่างๆ เช่น การถดถอยเชิงเส้น (ผลรวมถ่วงน้ำหนักอย่างง่าย) ฟอเรสต์แบบสุ่ม หรือการเพิ่มการไล่ระดับสีเป็นเรื่องปกติ AI มีประโยชน์ในการแนะนำว่าวิธีใดที่เหมาะสม การเขียนโค้ด และการตีความผลลัพธ์ แต่คุณตรวจสอบว่าโมเดลนั้นถูกต้องหรือไม่

คุณภาพข้อมูล: เพดานของแบบจำลอง

โมเดล ML ไม่สามารถดีไปกว่าข้อมูลที่ได้รับการฝึกได้ หลักการของ "ขยะเข้า ขยะออก" มีความแข็งแกร่งมากในสาขาโลหะวิทยา เนื่องจากข้อมูลการทดสอบมีราคาแพงและหายาก ระวังกับดักเหล่านี้:

• ข้อมูลน้อย: คุณไม่สามารถสร้างแบบจำลองที่ซับซ้อนด้วยตัวอย่าง 30 ตัวอย่างได้ โมเดลจะจดจำข้อมูล
• ข้อมูลไม่สมดุล: หากข้อมูลส่วนใหญ่เป็นเหล็กกล้าคาร์บอนต่ำ การคาดการณ์สำหรับโลหะผสมที่มีคาร์บอนสูงอาจไม่ดี
• สัญญาณรบกวนในการวัด: ความแข็งของตัวอย่างเดียวกันอาจแตกต่างกันไปตามผู้ปฏิบัติงานที่แตกต่างกัน เสียงนี้สะท้อนให้เห็นในแบบจำลอง
• ตัวแปรที่ขาดหายไป: หากคุณไม่ได้วัดขนาดเกรน แบบจำลองที่พยายามทำนายความแข็งแกร่งจากองค์ประกอบเพียงอย่างเดียวจะพลาดเหตุผลสำคัญไป

ข้อควรสนใจ: เพียงเพราะโมเดลประสบความสำเร็จอย่างสูงในข้อมูลการฝึกไม่ได้หมายความว่าโมเดลจะประสบความสำเร็จในตัวอย่างที่ใหม่ด้วย สิ่งนี้อาจไม่เหมาะสมเกินไป: โมเดลได้จดจำสัญญาณรบกวนในข้อมูลการฝึก ไม่ใช่ความสัมพันธ์ที่แท้จริง ความสำเร็จที่แท้จริงวัดกันที่ “ข้อมูลทดสอบ” ที่โมเดลไม่เคยเห็นมาก่อน

การคาดการณ์: ขีดจำกัดที่อันตรายที่สุด

โมเดล ML ทำงานอย่างสมเหตุสมผลภายในช่วงที่ครอบคลุมโดยข้อมูลการฝึก (การแก้ไข) เมื่ออยู่นอกช่วงนี้ (การประมาณค่า) การคาดการณ์จะไม่น่าเชื่อถือ และแบบจำลองมักจะไม่แสดงสิ่งนี้ ยังคงสร้างตัวเลขความมั่นใจอย่างต่อเนื่อง ตัวอย่างเช่น แบบจำลองที่ฝึกกับเหล็กกล้าที่มีปริมาณคาร์บอนอยู่ในช่วง 0.2–0.6% อาจแสดงค่าของโลหะผสมที่มีคาร์บอน 1.2% ว่า “ปลอดภัย” แต่ค่านี้ไม่มีมูลความจริงเลย สำหรับการทำนายแต่ละครั้ง “ตัวอย่างนี้อยู่ในการกระจายข้อมูลการฝึกหรือไม่” จำเป็นต้องถามคำถาม

ทีละขั้นตอน: สร้างโฟลว์การคาดการณ์ด้วย AI

1. กำหนดเป้าหมายและปัจจัยนำเข้า: คุณจะคาดการณ์อะไรและจากตัวแปรใด
2. เตรียมข้อมูล: ทำความสะอาด แก้ไขหน่วย แจ้งค่าที่หายไป (AI: เขียนโค้ด Python)
3. แยกข้อมูล: แยกชุดการฝึกอบรมและการทดสอบเพื่อให้คุณสามารถวัดความสำเร็จได้อย่างแม่นยำ
4. เลือกและฝึกโมเดล: เริ่มต้นแบบง่าย (เชิงเส้น) ย้ายไปที่แบบต้นไม้หากจำเป็น
5. ประเมิน: ดูตัวชี้วัดข้อผิดพลาดในชุดทดสอบ (เช่น RMSE, R²)
6. ความคิดเห็น: ตัวแปรใดมีประสิทธิภาพเพียงใด? มันสมเหตุสมผลทางร่างกายหรือไม่?
7. ตรวจสอบ: ทดสอบการทำนายเชิงวิพากษ์ด้วยการทดลองจริง ตรวจสอบการคาดการณ์

แนวคิด

ความหมาย

เหตุใดจึงมีความสำคัญในด้านโลหะวิทยา?

ฟิตเกิน

แบบจำลองการจดจำเสียง

มันง่ายมากโดยมีข้อมูลการทดสอบเพียงเล็กน้อย

การแก้ไข

การคาดการณ์ภายในช่วงการฝึกอบรม

ภูมิภาคที่ค่อนข้างปลอดภัย

การคาดการณ์

ทำนายนอกระยะการฝึกซ้อม

ไม่น่าเชื่อถือ; จำเป็นต้องมีการทดลอง

ร²

สัดส่วนของความแปรปรวนที่อธิบายโดยแบบจำลอง

ตัวบ่งชี้คุณภาพความพอดี

ความสำคัญของคุณสมบัติ

ขนาดของผลกระทบของอินพุต

การตรวจสอบความสมเหตุสมผลทางกายภาพ

มินิเคสสามอัน

กรณีที่ 1 — โมเดลการจดจำ ทีมงานสร้างแบบจำลองที่ซับซ้อนซึ่งทำนายความแข็งแรงของผลผลิตด้วยตัวอย่างเหล็ก 45 ตัวอย่าง ข้อมูลการฝึกอบรมกลายเป็น R² = 0.99 และพวกเขาก็ดีใจ อย่างไรก็ตาม ในข้อมูลทดสอบจะลดลงเหลือ R² = 0.42 นางแบบมีความพอดีมากเกินไป เมื่อเปลี่ยนไปใช้โมเดลที่เรียบง่ายกว่าและเพิ่มข้อมูล ความสำเร็จในการทดสอบจะเพิ่มขึ้นเป็น 0.80 บทเรียน: ความสำเร็จทางการศึกษาทำให้เข้าใจผิด การตัดสินใจทำด้วยข้อมูลการทดสอบ

กรณีที่ 2 — กับดักการคาดการณ์ วิศวกรใช้แบบจำลองที่ผ่านการฝึกฝนเกี่ยวกับเหล็กกล้าอัลลอยด์ต่ำกับส่วนประกอบสเตนเลสที่มี Cr สูง แบบจำลองบอกว่า "ประมาณ 620 MPa" การทดสอบแรงดึงจริงอยู่ที่ 410 MPa องค์ประกอบอยู่นอกการกระจายการศึกษาโดยสิ้นเชิง บทเรียน: ก่อนคาดการณ์ จำเป็นต้องตรวจสอบว่าข้อมูลเข้าอยู่ในช่วงการฝึกหรือไม่

กรณีที่ 3 — การใช้งานที่ถูกต้อง ทีม R&D จำลองผลกระทบของอุณหภูมิการอบคืนตัวต่อความแข็งด้วยข้อมูลหลายพันรายการในตระกูลโลหะผสม แบบจำลองนี้สร้างแนวโน้มทางกายภาพที่ทราบ (ความแข็งลดลงตามอุณหภูมิที่เพิ่มขึ้น) และแคบลงว่าช่วงองค์ประกอบใดที่จะบรรลุความแข็งเป้าหมาย ทีมงานใช้แบบจำลองเพื่อลดจำนวนการทดลอง: บรรลุเป้าหมายด้วยการทดลอง 8 ครั้ง แทนที่จะเป็น 40 ครั้ง และตรวจสอบแต่ละขั้นตอนด้วยการวัด บทเรียน: ML จำกัดการวางแผนการทดลองให้แคบลงอย่างชาญฉลาดด้วยข้อมูลที่ดีและการตรวจสอบความน่าเชื่อถือทางกายภาพ

เทมเพลตพร้อมท์ที่คัดลอกได้

เทมเพลตการตั้งค่าปัญหา ML "บทบาท: คุณเป็นผู้ช่วยด้านวิทยาศาสตร์ข้อมูลวัสดุ เป้าหมาย: [คุณสมบัติที่จะคาดการณ์] อินพุต: [คุณสมบัติ] ฉันมี [n] ตัวอย่าง สำหรับปัญหานี้: (1) แนะนำตัวเลือกแบบจำลองขั้นสูงที่เรียบง่ายที่เหมาะสม (2) อธิบายการแยกการฝึกอบรม/การทดสอบและตัวชี้วัดการประเมินผล (3) ตีความความเสี่ยงของการติดตั้งมากเกินไปและการคาดการณ์ตามข้อมูลนี้ อย่าสัญญาว่าจะประสบความสำเร็จอย่างแน่นอน เขียนขีดจำกัดให้ชัดเจน"

เทมเพลตการตรวจสอบคุณภาพข้อมูล"ตรวจสอบคุณภาพของตารางข้อมูลต่อไปนี้: [วางคอลัมน์และแถวตัวอย่าง] ตั้งค่าสถานะ: ค่าที่หายไป ค่าผิดปกติ ความไม่สอดคล้องกันของหน่วย การแจกแจงที่ไม่สมดุล สำหรับแต่ละปัญหา ให้แนะนำวิธีจัดการ ระบุสิ่งที่ฉันควรตรวจสอบก่อนการสร้างแบบจำลอง"

เทมเพลตการควบคุมการขยายขอบเขต "ช่วงต่ำสุด-สูงสุดของแต่ละอินพุตในผลลัพธ์การฝึกของฉันคือ: [ช่วงการเขียน] ตัวอย่างใหม่ที่ฉันต้องการคาดการณ์คือ: [เขียนค่า] ตัวอย่างนี้อยู่ภายในหรือภายนอกช่วงการฝึกในแต่ละแอตทริบิวต์ หากอยู่ภายนอก ให้อธิบายว่าตัวแปรใดและเหตุใดการทำนายจึงไม่น่าเชื่อถือ เสนอให้มีการตรวจสอบโดยการทดลอง"

เทมเพลตความน่าเชื่อถือทางกายภาพ "ลำดับความสำคัญของคุณลักษณะของแบบจำลองคือ [เรียงลำดับ] ลำดับนี้สอดคล้องกับความสัมพันธ์ทางโลหะวิทยาที่ทราบหรือไม่ (เช่น ฮอลล์-เพชร การตกตะกอน การแข็งตัว ผลกระทบของคาร์บอน) หากมีผลกระทบทางกายภาพที่ไม่คาดคิด ให้ทำเครื่องหมายและอธิบายปัญหาข้อมูล/แบบจำลองที่เป็นไปได้"

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

อ่อนแอ: "ทำนายความแข็งแกร่งของผลผลิตตามองค์ประกอบนี้"

คำตอบที่ชัดเจน:"บทบาท: คุณเป็นผู้ช่วยวิทยาศาสตร์ข้อมูลวัสดุ ฉันมีข้อมูลเหล็กโลหะผสมต่ำ 800 บรรทัด (C, Mn, Cr, Ni, อุณหภูมิการอบคืนตัว -> ความแข็งแรงของผลผลิต) ตัวอย่างใหม่: C=0.38, Mn=0.8, Cr=1.0, Ni=0.2,อุณหภูมิ=550 °C ตรวจสอบก่อนว่าตัวอย่างนี้อยู่ในช่วงการฝึกอบรมหรือไม่ หากเหมาะสม ปรับวิธีการทำนายและความไม่แน่นอน อธิบาย หากไม่เหมาะสม แนะนำ การทดลอง การตรวจสอบความถูกต้องทางกายภาพด้วย Hall-Petch และเอฟเฟกต์อุณหภูมิ อย่าให้ค่าที่แน่นอนเพียงจุดเดียว

ข้อความแจ้งที่เข้มงวดจะขอให้ตรวจสอบการคาดการณ์ก่อนทำการคาดการณ์ ลบความไม่แน่นอน และทดสอบผลลัพธ์ตามกฎฟิสิกส์ ซึ่งให้พื้นฐานการตัดสินใจที่เชื่อถือได้มากกว่าตัวเลขดิบ

ข้อผิดพลาดทั่วไป

• เข้าใจผิดว่าความสำเร็จทางการศึกษาคือความสำเร็จที่แท้จริง (ข้ามการฟิตติ้งมากเกินไป)
• การประเมินแบบจำลองโดยไม่ต้องแยกการฝึก/การทดสอบ
• การยอมรับการประมาณการที่เกิดขึ้นในภูมิภาคการประมาณค่าว่าปลอดภัย
• การสร้างโมเดลที่ซับซ้อนด้วยข้อมูลเพียงเล็กน้อยและไม่สมดุล
• ไม่เปรียบเทียบความสำคัญของคุณลักษณะกับความน่าเชื่อถือทางกายภาพ
• การคาดเดาอย่างมีวิจารณญาณในการออกแบบโดยไม่ต้องตรวจสอบผ่านการทดสอบ

โดยสรุป

แมชชีนเลิร์นนิงจับความสัมพันธ์ระหว่างองค์ประกอบ-กระบวนการ-คุณสมบัติได้อย่างมีประสิทธิภาพด้วยข้อมูลที่ดีและจำกัดการวางแผนการทดสอบให้แคบลงอย่างชาญฉลาด แต่โมเดลจะดีพอๆ กับข้อมูลเท่านั้น ผลสัมฤทธิ์ทางการเรียนในการฝึกอบรมอาจทำให้เข้าใจผิด (การฟิตติ้งมากเกินไป) และการประมาณการที่อยู่นอกช่วงการฝึก (การประมาณค่า) นั้นไม่น่าเชื่อถือ ทดสอบการทำนายแต่ละครั้งด้วยความสำเร็จของข้อมูลการทดสอบ การควบคุมการคาดการณ์ ความเป็นไปได้ทางกายภาพ และการทดลองจริงในกรณีสำคัญ

งานสมัคร

กำหนดปัญหาการทำนายคุณสมบัติด้วยชุดข้อมูลวัสดุที่มีอยู่ (หรือตัวละคร): เขียนเป้าหมายและอินพุต ขอแนวทางจาก AI ด้วยเทมเพลต “ML PROBLEM Figure” จากนั้น กำหนด "ตัวอย่างใหม่" และตรวจสอบว่าตัวอย่างนี้อยู่ในช่วงการฝึกอบรมหรือไม่ด้วยเทมเพลต "การตรวจสอบการขยายผล" สุดท้าย อธิบายในย่อหน้าว่าการทดลองใดที่คุณจะตรวจสอบผลลัพธ์ของแบบจำลอง

รายการตรวจสอบ

• [ ] ฉันกำหนดเป้าหมายและข้อมูลนำเข้าอย่างชัดเจน
• [ ] ฉันตรวจสอบคุณภาพข้อมูล (หายไป ค่าผิดปกติ หน่วย ยอดคงเหลือ)
• [ ] ฉันวัดความสำเร็จโดยสุจริตด้วยการแบ่งการฝึกอบรม/การทดสอบ
• [ ] ฉันตรวจสอบความเสี่ยงในการประมาณค่าโดยประมาณแต่ละครั้ง
• [ ] ฉันเปรียบเทียบความสำคัญของคุณลักษณะกับความน่าเชื่อถือทางกายภาพ
• [ ] ฉันวางแผนที่จะตรวจสอบการทำนายเชิงวิพากษ์ด้วยการทดลองจริง