Нанотехнологическое сообщество Нанометр, все о нанотехнологиях
на первую страницу Новости Публикации Библиотека Галерея Сообщество Объявления Олимпиада ABC О проекте
 
  регистрация
помощь
 

Machine Learning Beyond Correlative Models: Bayesianity, Parsimony, Causality, and Automated Experiment

Ключевые слова:  дистанционное образование, машинное обучение

Опубликовал(а):  Гудилин Евгений Алексеевич

28 апреля 2020

30 апреля в 17:00 по московскому времени в рамках он-лайн лектория факультета наук о материалах МГУ имени М.В.Ломоносова состоялась лекция выдающегося выпускника факультета, профессора Сергей Калинина (Center for Nanophase Materials Sciences, Oak Ridge National Laboratory) "Machine Learning Beyond Correlative Models: Bayesianity, Parsimony, Causality, and Automated Experiment".

Machine learning has emerged as a powerful tool for the analysis of mesoscopic and atomically resolved images and spectroscopy in electron and scanning probe microscopy. The applications ranging from feature extraction to information compression and elucidation of relevant order parameters to inversion of imaging data to reconstruct structural models have been demonstrated. However, the fundamental limitation of the vast majority of machine learning methods is their correlative nature, leading to extreme susceptibility to confounding factors and observational biases. While in classical statistical methods the methodology to address phenomena such as Simpson paradox are established, the complex and often non-transparent nature of modern DL tools renders them extremely prone to misinterpretation. We argue that correlative machine learning provides a reliable and powerful tool in cases when the causal links are well established, and discuss several examples of atom finding in SPM and STEM and analysis of 4D STEM data when this condition is satisfied. Notably, ML applications in theory generally fall under this category sine the causal mechanisms are postulated. Alternatively, ML methods work well when the confounding factors are effectively frozen via the narrowness of experimental conditions or experimental system. However, both these conditions are violated for experimental studies, when causal relationships are known only partially (and are in fact often the target of study) and confounding and latent factors (composition uncertainty, microscope tuning, contaminations) are abundant.

In this presentation, I will discuss the several examples of extending machine learning methods towards the analysis of causative physical mechanisms. One such approach is based on the Bayesian methods that allow to take into consideration the prior knowledge the system and evaluate the changes in understanding of the behaviors given new experimental data. The second pathway explores the parsimony of physical laws and aims to extract these from the set of real-world observations. Finally, the Bayesian networks can be used to explore the causative relationships in the multimodal data sets. These concepts will be illustrated using several examples of causal machine learning, including analysis of phase transitions on a single atom level in 2D materials and interplay between physical and chemical effects in the ferroelectric perovskites. Ultimately, we seek to answer the questions such as whether electronic instability due to the average Fermi level guides the development of the local atomic structure, or frozen atomic disorder drives the emergence of the local structural distortions, whether the nucleation spot of phase transition can be predicted based on observations before the transition, and what is the driving forces controlling the emergence of unique functionalities of morphotropic materials and ferroelectric relaxors. The unique aspect of Bayesian methods is their potential to quantify uncertainty, and harnessing this for automated experimentation is discussed on example of ferroelectric domain patterning and atomic fabrication via electron beams.

This research is supported by the by the U.S. Department of Energy, Basic Energy Sciences, Materials Sciences and Engineering Division and the Center for Nanophase Materials Sciences, which is sponsored at Oak Ridge National Laboratory by the Scientific User Facilities Division, BES DOE.


Источник: Лекция




Для того чтобы оставить комментарий или оценить данную публикацию Вам необходимо войти на сайт под своим логином и паролем. Зарегистрироваться можно здесь

 

Танцующая магнитная жидкость (полная версия)
Танцующая магнитная жидкость (полная версия)

Дистанционный лекторий ФНМ МГУ
Опубликованы приглашения на 4 интересные лекции онлайн лектория проекта дистанционного образования факультета наук о материалах МГУ имени М.В.Ломоносова на ближайшую неделю.

Евгений Кац: Перовскит, загадка названия и история открытия
28 мая 2020 г. в 18:00 мск. в рамках развития дистанционного образования ФНМ МГУ имени М.В.Ломоносова состоялась онлайн лекция известного ученого, профессора Евгения Каца (Ben-Gurion University of the Negev) "Перовскит, загадка названия и история открытия", который известен не только своими выдающимися научными достижениями в области химии твердого тела, углеродных наноматериалов, перовскитной фотовольтаики, но и большим вкладом в популяризацию науки.

М.Гретцель "The stunning rise of perovskite solar cells"
28 мая 2020 г. в 19:00 мск. в рамках развития дистанционного образования ФНМ МГУ имени М.В.Ломоносова состоялась онлайн лекция всемирно известного ученого, профессора М.Гретцеля (Федеральная политехническая школа Лозанны) "The stunning rise of perovskite solar cells".

Материалы к защитам выпускных квалификационных работ бакалавров ФНМ МГУ 2020
Коллектив авторов
Защиты выпускных квалификационных работ (квалификация – бакалавр материаловедения) по направлению 04.03.02 - «химия, физика и механика материалов» на Факультете наук о материалах МГУ имени М.В.Ломоносова состоятся 16, 17, 18 и 19 июня 2020 г.

Материалы к защитам магистерских квалификационных работ на ФНМ МГУ в 2020 году
коллектив авторов
2 - 5 июня пройдут защиты магистерских диссертаций выпускниками Факультета наук о материалах МГУ имени М.В.Ломоносова.

Академия – университетам: химия и науки о материалах в эпоху пандемии
Гудилин Е.А., Горбунова Ю.Г., Калмыков С.Н.
Отделение химии и наук о материалах РАН, а также химический факультет и факультет наук о материалах МГУ инициируют реализацию открытого образовательного проекта «Академия – университетам: химия и науки о материалах в эпоху пандемии». В рамках проекта ведущие ученые, члены Российской и международных Академий, видные представители вузовской науки прочитают тематические образовательные лекции по химии, науках о материалах, современным подходам в биологии и медицине. Видеозаписи лекций будут размещены в открытом доступе и могут быть использованы ВУЗами в основной и дополнительной образовательных программах, а также для самоподготовки и мотивации студентов и аспирантов на будущие научные достижения.

Технонано

Технопредпринимательство - идея, которая принесет свои плоды при бережном культивировании и взращивании. И наша наноолимпиада, и Наноград от Школьной Лиги РОСНАНО, и проект Стемфорд, и другие замечательные инициативы - важные шаги на пути реализации этой и других идей, связанных с развитием новых высоких технологий в нашей стране и привлечением молодых талантов в эту вполне стратегическую область. Ниже приведен небольшой опрос, который позволит и нам, и вам понять, а что все же значит этот модный термин, и какова его суть.

Технопредпринимательство на марше

Мы традиционно просим вас высказать свои краткие суждения по вопросу технопредпринимательства и проектной деятельности школьников. Для нас очевидно, что под технопредпринимательством и под проектной деятельностью школьников каждый понимает свое, но нам интересно ваше мнение, заодно вы сможете увидеть по мере прохождения опроса, насколько оно совпадает или отличается от мнения остальных. Ждем ваших ответов!

О наноолимпиаде замолвите слово...

Прошла XII Всероссийская олимпиада "Нанотехнологии - прорыв в Будущее!" Мы надеемся, что нам для улучшения организации последующих наноолимпиад поможет электронное анкетирование. Мы ждем Ваших замечаний, пожеланий, предложений. Спасибо заранее!



 
Сайт создан в 2006 году совместными усилиями группы сотрудников и выпускников ФНМ МГУ.
Сайт модернизирован для ресурсной поддержки проектной деятельности учащихся в рамках ГК 16.647.12.2059 (МОН РФ)
Частичное или полное копирование материалов сайта возможно. Но прежде чем это делать ознакомьтесь с инструкцией.