Lợi nhuận:
- Khả năng xây dựng chính xác bài toán học máy bằng AI để dự đoán tính chất cơ học từ các thông số thành phần và quy trình
- Khả năng đọc nghiêm túc kết quả đầu ra của mô hình bằng cách nhận biết các rủi ro về chất lượng dữ liệu, trang bị quá mức và ngoại suy
- Khả năng kiểm tra kết quả mô hình dự đoán với độ tin cậy vật lý, khoảng tin cậy và thử nghiệm xác minh
Định luật cơ bản nhất của luyện kim được tóm tắt là “quá trình quyết định kết cấu; kết cấu quyết định tính chất”. Giới hạn chảy của thép không chỉ phụ thuộc vào thành phần; Nó phát sinh từ cách xử lý (rèn, cán, xử lý nhiệt) và cấu trúc vi mô thu được (kích thước hạt, tỷ lệ pha, kết tủa). Trí tuệ nhân tạo và đặc biệt là học máy (ML: phương pháp tìm hiểu và đưa ra dự đoán từ các mẫu trong dữ liệu), có khả năng trích xuất mạnh mẽ các mối quan hệ thành phần-quy trình-thuộc tính này từ hàng nghìn điểm dữ liệu và dự đoán các đặc tính của hợp kim mới. Nhưng sức mạnh này hoàn toàn phụ thuộc vào chất lượng dữ liệu và việc biết mô hình đáng tin cậy ở đâu. Trong phần này, bạn sẽ tìm hiểu cách xây dựng dự đoán tính năng dựa trên ML và cách đọc kết quả đầu ra của nó một cách nghiêm túc.
Thiết lập chính xác vấn đề machine learning
Trước khi đưa vấn đề dự đoán tính năng vào ML, hãy làm rõ ba điều:
- Đầu vào (thuộc tính): Các biến được sử dụng trong dự đoán. Ví dụ: tỷ lệ phần trăm thành phần (C, Mn, Cr, Ni...), nhiệt độ và thời gian xử lý nhiệt, kích thước hạt.
- Đầu ra (mục tiêu): Tính năng được dự đoán. Ví dụ, cường độ năng suất, độ giãn dài, độ cứng.
- Dữ liệu: Một bảng gồm các cặp đầu vào-đầu ra. Mỗi hàng là một mẫu, mỗi cột là một thuộc tính hoặc mục tiêu.
Mô hình học một “hàm” từ dữ liệu này: nó nhận đầu vào và dự đoán đầu ra. Các phương pháp như hồi quy tuyến tính (tổng trọng số đơn giản), rừng ngẫu nhiên hoặc tăng cường độ dốc là phổ biến. AI rất hữu ích trong việc đề xuất phương pháp nào phù hợp, viết mã và diễn giải kết quả; nhưng bạn kiểm tra xem mô hình có hợp lệ hay không.
Chất lượng dữ liệu: mức trần của mô hình
Một mô hình ML không thể tốt hơn dữ liệu mà nó được đào tạo. Nguyên tắc “rác vào, rác ra” rất mạnh trong luyện kim vì dữ liệu thử nghiệm đắt và khan hiếm. Hãy cẩn thận với những cái bẫy này:
- Ít dữ liệu: bạn không thể xây dựng các mô hình phức tạp với 30 mẫu; Mô hình ghi nhớ dữ liệu.
- Dữ liệu không cân bằng: Nếu hầu hết dữ liệu là thép có hàm lượng cacbon thấp thì dự đoán sẽ kém ở hợp kim có hàm lượng cacbon cao.
- Độ ồn đo: Độ cứng của cùng một mẫu có thể khác nhau tùy theo người vận hành khác nhau; Tiếng ồn này được phản ánh trong mô hình.
- Thiếu biến: Nếu bạn chưa đo kích thước hạt, mô hình cố gắng dự đoán độ bền chỉ bằng thành phần sẽ bỏ sót một lý do quan trọng.
Lưu ý: Chỉ vì một mô hình có thành công cao trong việc huấn luyện dữ liệu không có nghĩa là nó cũng sẽ thành công trong các mẫu mới. Điều này có thể là quá phù hợp: mô hình đã ghi nhớ tiếng ồn trong dữ liệu huấn luyện chứ không phải mối quan hệ thực sự. Thành công thực sự được đo lường dựa trên “dữ liệu thử nghiệm” mà mô hình chưa từng thấy trước đây.
Ngoại suy: giới hạn nguy hiểm nhất
Các mô hình ML hoạt động hợp lý trong phạm vi được bao phủ bởi dữ liệu huấn luyện (nội suy). Khi nằm ngoài phạm vi này (ngoại suy), các dự đoán trở nên không đáng tin cậy và mô hình thường không thể hiện điều này; tiếp tục tạo ra một con số đáng tin cậy. Ví dụ: một mô hình được đào tạo về thép có hàm lượng carbon trong khoảng 0,2–0,6% có thể cho thấy giá trị của nó đối với hợp kim có 1,2% carbon là “an toàn”, nhưng giá trị này hoàn toàn không có cơ sở. Đối với mỗi dự đoán, “mẫu này có nằm trong phân phối dữ liệu huấn luyện không?” Bắt buộc phải đặt câu hỏi.
Từng bước: Xây dựng luồng dự đoán bằng AI
- Xác định mục tiêu và đầu vào: Bạn sẽ dự đoán điều gì và từ những biến số nào?
- Chuẩn bị dữ liệu: Làm sạch, sửa chữa các đơn vị, gắn cờ các giá trị còn thiếu. (AI: Viết mã Python.)
- Tách dữ liệu: Tách riêng tập huấn luyện và tập kiểm tra để bạn có thể đo lường thành công một cách chính xác.
- Chọn và huấn luyện mô hình: Bắt đầu đơn giản (tuyến tính), chuyển sang mô hình cây nếu cần thiết.
- Đánh giá: Xem số liệu lỗi trên bộ kiểm tra (ví dụ: RMSE, R²).
- Nhận xét: Biến nào có hiệu quả như thế nào? Liệu nó có ý nghĩa về mặt vật lý?
- Xác minh: Kiểm tra dự đoán quan trọng bằng thử nghiệm thực tế; Kiểm tra phép ngoại suy.
khái niệm
Ý nghĩa
Tại sao nó quan trọng trong luyện kim?
Trang bị quá mức
Mô hình ghi nhớ tiếng ồn
Nó rất dễ dàng với ít dữ liệu thử nghiệm
phép nội suy
Dự đoán trong phạm vi đào tạo
Khu vực tương đối an toàn
phép ngoại suy
Dự đoán ngoài phạm vi đào tạo
không đáng tin cậy; thí nghiệm là cần thiết
R²
Tỷ lệ phương sai được giải thích bởi mô hình
Chỉ số chất lượng phù hợp
Tầm quan trọng của tính năng
Mức độ tác động của đầu vào
Kiểm tra tính hợp lý về mặt vật lý
ba trường hợp nhỏ
Trường hợp 1 - Mô hình ghi nhớ. Một nhóm xây dựng một mô hình phức tạp dự đoán giới hạn chảy với 45 mẫu thép; Dữ liệu huấn luyện hóa ra là R² = 0,99 và họ rất vui mừng. Tuy nhiên, trong dữ liệu thử nghiệm, nó giảm xuống R² = 0,42. Mô hình quá phù hợp. Khi họ chuyển sang mô hình đơn giản hơn và tăng dữ liệu, tỷ lệ thành công của thử nghiệm sẽ tăng lên 0,80. Bài học: thành công trong giáo dục là sai lầm; Quyết định được đưa ra với dữ liệu thử nghiệm.
Trường hợp 2 - Bẫy ngoại suy. Một kỹ sư áp dụng mô hình được đào tạo về thép hợp kim thấp vào thành phần không gỉ có hàm lượng Cr cao. Mô hình cho biết "khoảng 620 MPa." Thử nghiệm độ bền kéo thực tế đạt tới 410 MPa. Thành phần hoàn toàn nằm ngoài sự phân bố giáo dục. Bài học: trước khi dự đoán, bắt buộc phải kiểm tra xem đầu vào có nằm trong phạm vi đào tạo hay không.
Trường hợp 3 - Sử dụng đúng. Nhóm R&D lập mô hình ảnh hưởng của nhiệt độ ủ đến độ cứng với hàng nghìn bản ghi trong một họ hợp kim. Mô hình này tái tạo xu hướng vật lý đã biết (độ cứng giảm khi tăng nhiệt độ ủ) và thu hẹp phạm vi thành phần mà độ cứng mục tiêu sẽ đạt được. Nhóm sử dụng mô hình để giảm số lượng thí nghiệm: đạt mục tiêu với 8 thí nghiệm thay vì 40 và xác thực từng bước bằng các phép đo. Bài học: ML thu hẹp việc lập kế hoạch thử nghiệm một cách thông minh bằng dữ liệu tốt và kiểm tra tính hợp lý về mặt vật lý.
Mẫu lời nhắc có thể sao chép
MẪU THIẾT LẬP VẤN ĐỀ ML "Vai trò: Bạn là trợ lý khoa học dữ liệu vật liệu. Mục tiêu: [tính năng được dự đoán]. Đầu vào: [thuộc tính]. Tôi có [n] mẫu. Đối với vấn đề này: (1) đề xuất các tùy chọn mô hình nâng cao và đơn giản phù hợp, (2) giải thích chỉ số đánh giá và phân chia đào tạo/kiểm tra, (3) diễn giải các rủi ro của việc trang bị quá mức và ngoại suy dựa trên dữ liệu này. Không hứa hẹn thành công nhất định; hãy viết các giới hạn rõ ràng."
MẪU KIỂM TOÁN CHẤT LƯỢNG DỮ LIỆU"Kiểm tra chất lượng của bảng dữ liệu sau: [dán cột và hàng mẫu]. Cờ: thiếu giá trị, ngoại lệ, đơn vị không nhất quán, phân phối không cân bằng. Đối với mỗi vấn đề, hãy đề xuất cách xử lý. Liệt kê những kiểm tra tôi nên làm trước khi lập mô hình."
MẪU KIỂM SOÁT NGOẠI QUY "Phạm vi tối thiểu-tối đa của mỗi dữ liệu đầu vào trong năng suất huấn luyện của tôi là: [phạm vi ghi]. Mẫu mới mà tôi muốn dự đoán là: [ghi giá trị]. Mẫu này nằm trong hay ngoài phạm vi huấn luyện trong mỗi thuộc tính? Nếu nó nằm ngoài, hãy giải thích biến nào và tại sao dự đoán sẽ không đáng tin cậy. Đề xuất xác minh bằng thử nghiệm."
MẪU Tính hợp lý VẬT LÝ "Thứ tự về tầm quan trọng của tính năng của mô hình là [sắp xếp]. Thứ tự này có phù hợp với các mối quan hệ luyện kim đã biết không (ví dụ: Hall-Petch, làm cứng kết tủa, hiệu ứng carbon)? Nếu có tác động vật lý không mong đợi, hãy đánh dấu nó và giải thích vấn đề về dữ liệu/mô hình có thể xảy ra."
Dấu nhắc yếu / Dấu nhắc mạnh
NHỚ YẾU: "Dự đoán cường độ năng suất dựa trên thành phần này."
NHẮC NHỞ MẠNH:"Vai trò: Bạn là trợ lý khoa học dữ liệu vật liệu. Tôi có 800 dòng dữ liệu thép hợp kim thấp (C, Mn, Cr, Ni, nhiệt độ ủ -> cường độ năng suất). Mẫu mới: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2,temper=550 °C. Trước tiên, hãy kiểm tra xem mẫu này có nằm trong phạm vi đào tạo hay không. Nếu thích hợp, hãy điều chỉnh phương pháp dự đoán và độ không chắc chắn. Giải thích; nếu không phù hợp, hãy đề xuất Kiểm tra chéo tính hợp lý về mặt vật lý với hiệu ứng Hall-Petch và nhiệt độ. Không đưa ra một giá trị chính xác nào.
Lời nhắc mạnh mẽ yêu cầu kiểm tra ngoại suy trước khi đưa ra dự đoán, loại bỏ sự không chắc chắn và kiểm tra kết quả theo các định luật vật lý. Điều này mang lại cơ sở quyết định đáng tin cậy hơn nhiều so với số liệu thô.
Những lỗi thường gặp
- Nhầm lẫn thành công trong học tập với thành công thực sự (bỏ qua việc trang bị quá mức).
- Đánh giá mô hình mà không thực hiện phân chia đào tạo/kiểm tra.
- Chấp nhận ước tính được tạo ra trong vùng ngoại suy là an toàn.
- Xây dựng các mô hình phức tạp với dữ liệu ít và không cân bằng.
- Không so sánh tầm quan trọng của tính năng với tính hợp lý về mặt vật lý.
- Đưa ra dự đoán quan trọng vào thiết kế mà không xác minh nó thông qua thử nghiệm.
Tóm lại
Học máy nắm bắt một cách mạnh mẽ các mối quan hệ thành phần – quy trình – thuộc tính với dữ liệu tốt và thu hẹp việc lập kế hoạch thử nghiệm một cách thông minh. Nhưng một mô hình chỉ tốt khi có dữ liệu của nó; Thành tích đào tạo có thể gây hiểu nhầm (trang bị quá mức) và các ước tính ngoài phạm vi đào tạo (ngoại suy) là không đáng tin cậy. Kiểm tra từng dự đoán với mức độ thành công của dữ liệu thử nghiệm, kiểm soát ngoại suy, tính hợp lý về mặt vật lý và trong các trường hợp quan trọng là thử nghiệm thực tế.
Nhiệm vụ ứng dụng
Xác định vấn đề dự đoán thuộc tính với bộ dữ liệu vật liệu hiện có (hoặc hư cấu): ghi lại mục tiêu và đầu vào. Yêu cầu cách tiếp cận từ AI với mẫu “Hình VẤN ĐỀ ML”. Sau đó xác định một "mẫu mới" và kiểm tra xem mẫu này có nằm trong phạm vi đào tạo hay không bằng mẫu "KIỂM TRA EXTRAPOLATION". Cuối cùng, hãy mô tả trong một đoạn văn về thử nghiệm mà bạn sẽ xác minh kết quả đầu ra của mô hình.
danh sách kiểm tra
- [ ] Tôi đã xác định rõ ràng mục tiêu và đầu vào.
- [ ] Tôi đã kiểm tra chất lượng dữ liệu (thiếu, ngoại lệ, đơn vị, số dư).
- [ ] Tôi đã đo lường sự thành công trung thực bằng cách chia phần đào tạo/kiểm tra.
- [ ] Tôi đã kiểm tra rủi ro ngoại suy cho từng ước tính.
- [ ] Tôi đã so sánh tầm quan trọng của tính năng với tính hợp lý về mặt vật lý.
- [ ] Tôi đã lập kế hoạch để xác minh dự đoán quan trọng bằng thử nghiệm thực tế.