贝叶斯主动学习加速高通量相图探索

《Digital Discovery》：Bayesian active learning to accelerate high throughput phase diagram exploration

　　

相图对于理解相稳定性和指导新材料的合成至关重要。然而，通过详尽的CALPHAD（相图计算）计算构建高维相图仍然成本高昂。研究人员提出了一种贝叶斯主动学习相图发现（BALPI）框架，该框架通过使用不确定性感知采集策略自适应地对热力学空间进行采样，有效地识别相稳定性区域。BALPI在高斯过程分类器（Gaussian Process Classifier, GPC）和高斯过程回归器（Gaussian Process Regressor, GPR）的两种互补公式——分类和水平集估计——内集成，并引入了非近视贝叶斯采集函数，包括软不确定性平均目标成本（Soft Mean Objective Cost of Uncertainty, SMOCU）和扩展跨骑（extended straddle, e-straddle）准则。利用基于CALPHAD的相稳定性预测作为真实参考，BALPI以显著少于传统标签传播和标签扩散基线的查询次数实现了相边界的准确重建。在SiO₂–Al₂O₃–MgO和Ni–Ti–Hf–Cu系统上的结果表明，BALPI能够捕获不连续的相区域，并在贝叶斯误差和计算成本方面实现一致的降低。更重要的是，这项工作将BALPI确立为不确定性引导的相图发现的通用框架，并凸显了贝叶斯主动学习通过以远低于竞争策略的成本高效探索相稳定性景观来加速计算热力学和材料设计的潜力。

相图是理解相稳定性、指导新材料合成的核心工具，但通过详尽的CALPHAD（相图计算）计算构建高维相图成本高昂。传统网格采样策略未能利用某些成分对热力学模型校准和相边界发现具有更高信息量的特性。现有主动学习方法（如标签传播、标签扩散）依赖启发式不确定性或KNN代理，性能对超参数敏感，且多采用短视（myopic）采集策略，难以识别不连续或多模态相稳定区域。为此，研究人员提出了贝叶斯主动学习相图发现（BALPI）框架，旨在提供一种模块化、不确定性感知的平台，通过自适应采样降低CALPHAD计算或实验查询成本，加速相图构建。

研究人员在《Digital Discovery》上发表了这项研究。BALPI将CALPHAD（通过Thermo-Calc实现）作为真实参考，从分类和水平集估计两种互补角度出发，分别采用高斯过程分类器（GPC）和高斯过程回归器（GPR）作为代理模型，并引入非近视贝叶斯采集函数——软不确定性平均目标成本（SMOCU，基于LogSumExp软化MOCU）和扩展跨骑（e-straddle，通过变换函数g(·)和平衡参数β调节探索-利用）。在SiO₂–Al₂O₃–MgO三元玻璃陶瓷系统和Ni–Ti–Hf–Cu四元形状记忆合金系统上，与标签传播（LP）、标签扩散（LS）、最大熵搜索（MES）、贝叶斯主动学习通过分歧（BALD）等基线方法比较，以贝叶斯误差为评价指标。

**主要技术方法**（不超过250字）：BALPI框架由模型、效用和查询三个模块组成闭环。模型模块采用GPC（用于离散分类）或GPR（用于连续分数回归）作为代理，核函数为径向基函数（RBF），超参数通过经验贝叶斯最大化边际似然估计。效用模块评估贝叶斯采集函数：SMOCU基于一步前瞻（one-step look-ahead）思想，通过LogSumExp软化MOCU目标，实现全局不确定性减少；e-straddle扩展经典跨骑准则，引入变换函数g(·)（可取r、r²或√r）和参数β，调节边界附近采样偏好。查询模块从CALPHAD或实验获取新观测，更新数据集。算法初始化采用低差异采样（如拉丁超立方），迭代训练GP、最大化采集函数、获取新数据，直至收敛或达到预算。

**研究结果**：

**4.1 评价指标**：采用贝叶斯误差——模型预测后验下的期望误分类概率——统一评价分类和水平集公式。水平集输出通过阈值转换为概率，确保可比性。

**4.2 SiO₂–Al₂O₃–MgO玻璃陶瓷系统的相识别**：在该三元系统中识别尖晶石（Spinel）和莫来石（Mullite）相。结果（图3b,c）表明，所有BALPI方法（特别是SMOCU）的贝叶斯误差显著低于LP和LS。SMOCU因一步前瞻公式考虑全局不确定性减少，误差下降最快；e-straddle虽非最佳，但稳步改进并优于非贝叶斯基线。证明BALPI在简单三元系统中有效平衡探索与利用。

**4.3 NiTiHfCu形状记忆合金系统的BCC–B2相识别**：在此四元系统中定位BCC–B2奥氏体相（800K时相分数>0.8为目标）。该系统相区不连续且稀疏。结果（图4c）显示，所有BALPI方法贝叶斯误差均低于LP和LS，其中连续查询版e-straddle(c)收敛最快。图5可视化表明，SMOCU和e-straddle成功识别多个不连续BCC–B2区域，而LP和MES在低不确定性区域过度采样。定量比较（表2、表3）显示，在80次迭代和不同初始样本量下，SMOCU和e-straddle(c)始终获得最低贝叶斯误差，且优于BALD和MES。

**4.3.2 发现总结**：BALPI一致实现更快收敛和更低贝叶斯误差。SMOCU提供全局信息采样可稳健恢复稀疏相区，e-straddle在复杂边界附近表现优异且计算高效。

**讨论部分总结**：贝叶斯误差作为评价指标适用于主动学习，反映模型预测不确定性与校准置信度。BALPI的样本效率源于贝叶斯采集函数自动聚焦高不确定区域；相比密集网格（如100×100点耗时数天），BALPI仅需数十至数百个自适应样本即可达到相当或更优的相边界描述。优势包括模块化（灵活组合GPC/GPR与MES、BALD、SMOCU、e-straddle）、能捕获不连续相区、避免稀疏区过度自信。局限在于：高斯过程在低维空间最高效，扩展到四元以上需稀疏GP或深度核学习；当前假设CALPHAD为可靠参考，未显式处理热力学数据库本身的不确定性；SMOCU和e-straddle依赖超参数（k、β），自适应调优可进一步提高鲁棒性。展望方面，BALPI可无缝扩展至实验工作流，实现闭环自主材料发现；可通过多类GP分类或并行水平集估计支持多相图构建；通过识别零相分数（ZPF）超平面实现高维相图重建；未来需探索稀疏诱导点GP、批处理采集和多保真度主动学习以提升可扩展性。

**研究结论翻译**：在这项工作中，研究人员提出了BALPI，一个基于CALPHAD热力学的自适应相图发现的贝叶斯主动学习框架。通过在高斯过程分类和回归下统一一个共同的概率代理模型，BALPI通过多种采集策略实现不确定性感知探索，包括非近视公式如SMOCU和边界感知替代方案如扩展跨骑。这种支持离散和连续相表示的双重能力使得BALPI成为跨广泛材料系统进行相映射的灵活且可解释的工具。在两个不同的热力学系统——三元玻璃陶瓷和四元形状记忆合金上的演示表明，BALPI持续优于传统采样策略，实现更快的收敛和更低的贝叶斯误差，同时使用一小部分CALPHAD查询预算。至关重要的是，该框架甚至在稀疏且拓扑碎片化的稳定性区域（如对新型多组分形状记忆合金设计和优化至关重要的不连续BCC–B2区域）中取得成功。这些结果充分证明了基于贝叶斯原理的主动、不确定性引导采样——不仅作为高效模型训练的工具，而且作为在真实占据稀疏、碎片化或非直观化学空间区域的系统中发现的引擎——的力量。展望未来，BALPI开辟了几个有前景的研究方向。首先，其与高通量实验工作流程的整合可以实现闭环、自主的相边界发现，其中代理不确定性指导物理合成和表征。其次，BALPI为模型优化提供了自然接口：实验观察到的相组成不仅可用于探索，还可用于迭代更新CALPHAD评估——特别是那些由高通量DFT或MLIP数据构建的评估。第三，将热力学先验嵌入到GP核中——如凸性约束、对称关系、已知极限行为或热力学空间的拓扑规则——可以提高样本效率并增强对未观察到的组成-温度空间的泛化。超越相图，BALPI范式可扩展到更广泛的材料信息学任务，涉及相选择、稳定性预测和结构基序分类。在由尖锐转变或高度约束自由能景观主导的系统中，可解释代理模型和目标信息采集的结合为自驱动材料平台提供了原则性基础。随着相映射日益成为合金设计和微观结构工程中的瓶颈，像BALPI这样的框架将在加速下一代材料的理解和部署中发挥核心作用。