가우시안 프로세스 기반 능동 학습

자율 실험 시스템은 재료 연구에서 과학적 발견을 가속화하지만, 저품질의 노이즈 데이터로 인해 성능이 저하되는 문제가 있습니다. 특히 이미지-스펙트럼(Im2Spec) 및 스펙트럼-이미지(Spec2Im) 변환과 같은 데이터 집약적인 구조-물성 학습 작업에서는 표준 능동 학습 전략이 품질이 낮은 측정을 우선시하여 문제를 악화시킬 수 있습니다. 본 연구는 호기심 기반 샘플링과 물리 정보 기반 품질 제어 필터를 결합한 게이티드 능동 학습 프레임워크를 제안합니다. 이 프레임워크는 단순 조화 진동자 모델 피팅을 기반으로 하여 데이터 수집 중 시스템이 낮은 신뢰도의 데이터를 자동으로 제외하도록 합니다. 공간적으로 국부적인 노이즈가 포함된 PbTiO3 박막의 밴드 여기 압전 응답 분광법(BEPS) 데이터셋을 활용한 평가 결과, 제안된 방법은 무작위 샘플링, 표준 능동 학습 및 다중 작업 학습 전략보다 우수한 성능을 보였습니다. 또한, 이 프레임워크를 이종 도메인 구조를 가진 PbTiO3 박막 샘플에 대한 실시간 실험에 적용하여 자율 현미경 실험에서의 효과를 입증했습니다. 이 연구는 물리 정보 기반 품질 평가와 능동적인 의사 결정이 결합하여 보다 신뢰할 수 있는 발견을 가능하게 하는 자율 실험실의 하이브리드 자율성을 지원합니다.