Прибуток:
- Здатність точно побудувати задачу машинного навчання за допомогою ШІ для прогнозування механічних властивостей на основі складу та параметрів процесу
- Здатність критично читати вихідні дані моделі, визнаючи ризики якості даних, переобладнання та екстраполяції
- Можливість перевірки результатів моделі прогнозування з фізичною правдоподібністю, довірчим інтервалом і перевірочним експериментом
Найосновніший закон металургії підсумовується так: «процес визначає структуру; структура визначає властивості». Межа текучості сталі залежить не тільки від складу; Це залежить від способу його обробки (кування, прокатка, термічна обробка) і отриманої мікроструктури (розмір зерна, співвідношення фаз, виділення). Штучний інтелект, і особливо машинне навчання (ML: методи, які вивчають і роблять прогнози на основі моделей у даних), є потужними для вилучення цих зв’язків між складом, процесом і властивостями з тисяч точок даних і прогнозування властивостей нового сплаву. Але ця потужність повністю залежить від якості даних і знання того, де модель надійна. У цьому розділі ви дізнаєтесь, як створювати передбачення функцій на основі ML і як критично читати його результати.
Правильне налаштування проблеми машинного навчання
Перш ніж скинути проблему прогнозування функції в ML, чітко поясніть три речі:
- Вхідні дані (атрибути): Змінні, які будуть використовуватися в прогнозі. Наприклад, відсоток складу (C, Mn, Cr, Ni...), температура та час термічної обробки, розмір зерна.
- Результат (ціль): функція, яку потрібно передбачити. Наприклад, межа текучості, подовження, твердість.
- Дані: таблиця пар вхід-вихід. Кожен рядок є зразком, кожен стовпець є атрибутом або метою.
Модель вивчає «функцію» з цих даних: вона приймає вхідні дані та прогнозує результат. Поширеними є такі методи, як лінійна регресія (проста зважена сума), випадковий ліс або підвищення градієнта. ШІ допомагає підказувати, який метод підходить, писати код та інтерпретувати результат; але ви перевіряєте, дійсна модель чи ні.
Якість даних: стеля моделі
Модель ML не може бути кращою за дані, на яких вона навчається. Принцип «сміття всередину, сміття назовні» дуже сильний у металургії, оскільки дані випробувань дорогі та обмежені. Слідкуйте за цими пастками:
- Мало даних: ви не можете побудувати складні моделі з 30 зразками; Модель запам'ятовує дані.
- Незбалансовані дані: якщо більшість даних стосується сталі з низьким вмістом вуглецю, прогноз буде поганим для сплаву з високим вмістом вуглецю.
- Шум вимірювання: Твердість того самого зразка може відрізнятися в залежності від оператора; Цей шум відображається на моделі.
- Відсутня змінна: якщо ви не виміряли розмір зерна, модель, яка намагається передбачити міцність лише за складом, пропустить важливу причину.
Увага: те, що модель має високий успіх у навчальних даних, не означає, що вона також матиме успіх у нових зразках. Це може бути надмірним: модель запам’ятала шум у навчальних даних, а не справжній зв’язок. Справжній успіх вимірюється на «тестових даних», яких модель ніколи раніше не бачила.
Екстраполяція: найнебезпечніша межа
Моделі ML працюють розумно в межах діапазону, охопленого навчальними даними (інтерполяція). За межами цього діапазону (екстраполяція) прогнози стають ненадійними, і модель часто цього не показує; продовжує показувати впевнене число. Наприклад, модель, навчена на сталях з вмістом вуглецю в діапазоні 0,2–0,6%, може показати своє значення для сплаву з 1,2% вуглецю як «безпечне», але це значення абсолютно необґрунтоване. Для кожного прогнозу, «чи ця вибірка входить до розподілу навчальних даних?» Обов'язково потрібно поставити питання.
Крок за кроком: створення потоку прогнозів за допомогою ШІ
- Визначте мету та вхідні дані: що ви будете прогнозувати та на основі яких змінних?
- Підготуйте дані: очистіть, виправте одиниці, позначте відсутні значення. (ШІ: пише код Python.)
- Розділіть дані: розділіть набори для навчання та тестування, щоб ви могли точно вимірювати успіх.
- Виберіть і навчіть модель: Почніть із простої (лінійної), перейдіть до деревоподібної, якщо необхідно.
- Оцінка: подивіться на показники помилок у наборі тестів (наприклад, RMSE, R²).
- Коментар: яка змінна є ефективною? Чи має це фізичний сенс?
- Перевірте: Перевірте критичне передбачення фактичними експериментами; Перевірити екстраполяцію.
концепція
Значення
Чому це важливо в металургії?
Переобладнання
Модель запам'ятовує шум
Це дуже легко з невеликою кількістю тестових даних
інтерполяція
Прогноз в діапазоні тренувань
Відносно безпечний регіон
екстраполяція
Прогноз за межами тренувального діапазону
ненадійний; потрібен експеримент
R²
Частка дисперсії, пояснена моделлю
Показник якості підгонки
Важливість функції
Величина впливу вхідних даних
Перевірка фізичної обґрунтованості
три міні-чохла
Кейс 1 — Модель запам'ятовування. Команда створює складну модель, яка передбачає межу текучості за допомогою 45 зразків сталі; Дані навчання виявляються R² = 0,99 і вони радіють. Однак у даних тесту воно падає до R² = 0,42. Модель overfit. Коли вони переходять на простішу модель і збільшують дані, успіх тесту зростає до 0,80. Урок: успішність навчання оманлива; Рішення приймається за даними тестування.
Випадок 2 — Екстраполяційна пастка. Інженер застосовує модель, навчену на низьколегованій сталі, до нержавіючої композиції з високим вмістом Cr. На моделі вказано «близько 620 МПа». Фактичне випробування на розтягування становить 410 МПа. Композиція повністю поза навчальним розподілом. Урок: перед прогнозуванням обов'язково перевірте, чи вхід входить у навчальний діапазон.
Випадок 3 — Правильне використання. Команда дослідників і розробників моделює вплив температури відпустки на твердість за допомогою тисяч записів у сімействі сплавів. Модель відтворює відому фізичну тенденцію (твердість зменшується зі збільшенням температури відпустки) і звужує, в якому діапазоні складу буде досягнуто цільову твердість. Команда використовує модель, щоб зменшити кількість експериментів: досягти мети за допомогою 8 експериментів замість 40 і підтверджувати кожен крок вимірюваннями. Урок: ML інтелектуально звужує планування експерименту за допомогою хороших даних і фізичної перевірки правдоподібності.
Шаблони підказок, які можна копіювати
ШАБЛОН ПОСТАНОВКИ ПРОБЛЕМИ ML «Роль: Ви асистент із наукової роботи з матеріалами. Мета: [функція, яку потрібно передбачити]. Вхідні дані: [атрибути]. У мене є [n] зразків. Для цієї проблеми: (1) запропонувати відповідні прості та розширені варіанти моделі, (2) пояснити розподіл навчання/тестування та метрику оцінювання, (3) інтерпретувати ризики переобладнання та екстраполяції на основі цих даних. Не обіцяйте певного успіху; напишіть обмеження чітко».
ШАБЛОН АУДИТУ ЯКОСТІ ДАНИХ "Перевірте якість такої таблиці даних: [вставте стовпці та зразки рядків]. Позначка: відсутні значення, викиди, невідповідності одиниць, незбалансований розподіл. Для кожної проблеми запропонуйте, як її вирішити. Перелічіть, які перевірки я повинен зробити перед моделюванням."
ШАБЛОН КОНТРОЛЮ ЕКСТРАПОЛЯЦІЇ «Діапазон мінімально-максимального значення кожного входу в моєму тренувальному виході: [запис діапазонів]. Нова вибірка, яку я хочу передбачити, це: [запис значень]. Цей зразок знаходиться в межах чи поза межами діапазону навчання за кожним атрибутом? Якщо він за межами, поясніть, у яких змінних і чому прогноз буде ненадійним. Запропонуйте перевірку експериментом.»
ШАБЛОН ФІЗИЧНОЇ правдоподібності «Порядок важливості ознак моделі — [сортувати]. Чи цей порядок узгоджується з відомими металургійними зв’язками (наприклад, Холла-Петча, зміцнення опадів, вуглецевий ефект)? Якщо є фізично неочікуваний ефект, позначте його та поясніть можливу проблему даних/моделі.»
Слабка підказка / Сильна підказка
СЛАБКА ПІДКАЗКА: «Спрогнозуйте межу текучості на основі цього складу».
ВАЖЛИВА ПІДКАЗКА: «Роль: Ви асистент із вивчення даних про матеріали. У мене є 800 рядків даних про низьколеговану сталь (C, Mn, Cr, Ni, температура відпуску -> межа текучості). Новий зразок: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, температура=550 °C. Спочатку перевірте, чи цей зразок знаходиться в межах тренувального діапазону. Якщо потрібно, відкоригуйте прогнозований підхід і невизначеність Поясніть; якщо не підходить, запропонуйте перехресну перевірку за допомогою ефекту Холла-Петча.
Сильна підказка вимагає перевірки екстраполяції перед тим, як зробити прогноз, усуває невизначеність і перевіряє результат на фізичні закони. Це дає набагато надійнішу основу для прийняття рішень, ніж необроблене число.
Поширені помилки
- Помилкове сприйняття успіху в навчанні за реальний успіх (пропуск переобладнання).
- Оцінка моделі без проведення навчання/тесту.
- Прийняття оцінки, отриманої в області екстраполяції, як безпечної.
- Створення складних моделей із невеликою кількістю незбалансованих даних.
- Не порівнюючи важливість функції з фізичною правдоподібністю.
- Внесення критичного припущення до дизайну без перевірки його за допомогою експерименту.
Підсумовуючи
Машинне навчання потужно фіксує зв’язки між композицією, процесом і властивостями за допомогою якісних даних і інтелектуально звужує планування експерименту. Але модель хороша настільки, наскільки хороші її дані; Досягнення в навчанні можуть вводити в оману (переобладнання), а оцінки за межами діапазону навчання (екстраполяція) є ненадійними. Перевірте кожне передбачення за допомогою тестових даних, контролю екстраполяції, фізичної правдоподібності та, у критичних випадках, фактичних експериментів.
Аплікаційне завдання
Визначте проблему прогнозування властивості з наявним (або вигаданим) набором матеріальних даних: запишіть ціль і вхідні дані. Попросіть підхід від штучного інтелекту за допомогою шаблону «ФІГУРА ПРОБЛЕМИ ML». Потім визначте «новий зразок» і перевірте, чи цей зразок знаходиться в межах навчального діапазону за допомогою шаблону «ЕКСТРАПОЛЯЦІЙНА ПЕРЕВІРКА». Нарешті, опишіть в параграфі, за допомогою якого експерименту ви перевірятимете результат моделі.
контрольний список
- [ ] Я чітко визначив мету та внески.
- [ ] Я перевірив якість даних (відсутній, викид, одиниця, баланс).
- [ ] Я оцінив чесний успіх за допомогою тренування/тесту.
- [ ] Я перевірив ризик екстраполяції для кожної оцінки.
- [ ] Я порівняв важливість функції з фізичною правдоподібністю.
- [ ] Я розробив план перевірки критичного передбачення за допомогою фактичних експериментів.