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

 

Магнитный нанопорошок...или как сделать магнитную жидкость за пару минут
Магнитный нанопорошок...или как сделать магнитную жидкость за пару минут

Наносистемы: физика, химия, математика (2020, Т. 11, № 5)
Опубликован новый номер журнала "Наносистемы: физика, химия, математика". Ознакомиться с его содержанием, а также скачать необходимые Вам статьи можно по адресу: http://nanojournal.ifmo.ru/articles/volume11/11-5
Там же можно скачать номер журнала целиком.

Территория STEM 2020
20 ноября в онлайн-формате состоится ежегодная конференция проекта "Стемфорд" - Территория STEM 2020. Тема 2020 года - "Подготовка инженеров будущего: партнерство образования, науки и бизнеса".

Актуальные проблемы неорганической химии 2020
Приглашаем студентов, аспирантов и молодых ученых принять участие в XIX Всероссийской конференции «Актуальные проблемы неорганической химии: материалы для генерации, преобразования и хранения энергии», которая будет проходить 13-15 ноября 2020 г. в on-line формате

Нобелевская премия за графен, или 10 лет спустя
Алексей Арсенин
О том, как графен повлиял на развитие науки и промышленности и можно ли его назвать материалом будущего — заместитель директора Центра фотоники и двумерных материалов МФТИ, кандидат физико-математических наук Алексей Арсенин

Летние лектории для школьников
ФНМ
Сотрудники Факультета наук о материалах и химического факультета Московского государственного университета имени М.В.Ломоносова участвуют в лекториях двух летних школ, организованных Фондом Инфраструктурных и Образовательных Программ (группа РОСНАНО) - Нанограде и летней школе МФТИ.

Академия - университетам
Е.А.Гудилин, Ю.Г.Горбунова, С.Н.Калмыков
Российская Академия Наук и Московский университет во время пандемии реализовали пилотную часть проекта "Академия – университетам: химия и науки о материалах в эпоху пандемии". За летний период планируется провести работу по подключению к проекту новых ВУЗов, институтов РАН, профессоров РАН, а также по взаимодействию с новыми уникальными лекторами для развития структурированного сетевого образовательного проекта "Академия - университетам".

Технопредпринимательство в эпоху COVID-19

Небольшой опрос о том, как изменились подходы современного предпринимательства в контексте новых и возникающих форм ведения бизнеса, онлайн образования, дистанционных форм взаимодействия и коворкинга в эпоху пандемии COVID - 19.

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!



 
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.