Uncertainty-Aware Continual Learning for 2D XRD Interpretation Using Simulated and Experimental Data
- 발행일
- 출처
- arXiv
- 논문 번호
- 1468
- 분야
- Machine Learning
- arXiv 번호
- 2611.17547
이 논문은 자율실험 시스템용 2차원 XRD 해석 모델에 도메인 적응, 불확실성 추정, 연속 학습을 함께 넣은 프레임워크를 시험했다.
이 논문은 한마디로 시뮬레이션과 실험 2차원 XRD 데이터를 함께 쓰며 불확실성을 알려주고 잊지 않는 결정 구조 분류 프레임워크를 제안했다. 최대평균불일치 기반 도메인 적응이 시뮬레이션-실험 차이를 줄이고 CNN-SNGP 가 예측 불확실성을 계산한다. 재생과 지식 증류로 순차 갱신 시 이전 지식을 보존했다. 시뮬레이션과 실험 데이터에서 BCC, FCC, HCP 분류 정확도와 유지 성능이 단순 미세조정보다 나았다.
핵심 요약
- 프레임워크는 MMD 기반 도메인 적응, CNN-SNGP 불확실성 추정, 재생과 지식 증류 기반 연속 학습을 하나로 묶었다.
- 시뮬레이션과 실험 검증 구간에서 모든 모델이 약 94-96% 정확도를 냈고 도메인 적응을 더한 CNN-SNGP-adapt 가 실험 검증 정확도 95.69 ± 4.17% 로 가장 높았다.
- 처음 보는 재료에 대해서는 CNN-SNGP-adapt 가 실험 정확도 50.3 ± 6.9% 로 CNN 의 29.1 ± 10.2% 를 크게 앞섰다.
- 재료 단위 짝 비교에서 도메인 적응 모델은 CNN 보다 21.2 포인트, CNN-SNGP 보다 6.0 포인트 정확도가 높았다.
- 제안 연속 학습 전략은 이전 블록과 새 블록 모두에서 단순 미세조정보다 높은 정확도를 보이며 망각도 크게 적었다.
- 한계로, 이 연구는 미리 정의된 데이터 블록으로 하는 오프라인 개념 증명이며 실험 선택이나 장비 제어는 하지 않았다.
논문 링크
외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.