Die Studie untersucht den Einfluss der Anfangsbedingungen und der Interventionen innerhalb des Lernprozesses auf die Dynamik des Deep Kernel Learning (DKL) in autonomen Experimenten der Rastersondenmikroskopie.
Es werden drei verschiedene Modelle zur Auswahl der Startpunkte (Seed-Punkte) vorgestellt - eine Gaußsche Kernschätzung (GD), eine gleichmäßige Verteilung über die latente Verteilung (UD) und eine gleichmäßige Verteilung über den gesamten latenten Raum (ULS). Diese Modelle haben unterschiedliche Auswirkungen auf die Lernkurven und die Effizienz des autonomen Experiments, insbesondere in den ersten Schritten.
Darüber hinaus werden zwei Strategien für Interventionen innerhalb des Lernprozesses entwickelt - regionale Ausschlüsse und regionale Priorisierung. Diese Interventionen können dazu beitragen, Stagnationen im Explorationsprozess zu überwinden. Die Wirksamkeit der Interventionen hängt vom verwendeten Akquisitionsfunktion (EI oder MU) ab.
Die Ergebnisse zeigen, dass die Wahl der Anfangsbedingungen und die Durchführung von Interventionen einen erheblichen Einfluss auf die Lernprozesse und die Effizienz autonomer Experimente in der Rastersondenmikroskopie haben können.
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Boris N. Sla... kl. arxiv.org 04-15-2024
https://arxiv.org/pdf/2402.00071.pdfDybere Forespørgsler