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.

원문 보기 (새 탭에서 열림)