Key points are not available for this paper at this time.
Das Design komplexer Materialien wird oft als ein Black-Box-Kombination-Optimierungsproblem dargestellt. In diesem Papier präsentieren wir eine neuartige Python-Bibliothek namens MDTS (Materials Design using Tree Search). Unser Algorithmus verwendet einen Ansatz der Monte-Carlo-Baum-Suche, der sich in dem Computer-Go-Spiel als außergewöhnlich leistungsfähig erwiesen hat. Im Gegensatz zu evolutionären Algorithmen, die eine Benutzerintervention zur geeigneten Einstellung der Parameter erfordern, hat MDTS keine Abstimmparameter und arbeitet autonom bei verschiedenen Problemen. Im Vergleich zu einem Bayesian-Optimierungspaket zeigte unser Algorithmus eine konkurrenzfähige Sucheffizienz und überlegene Skalierbarkeit. Es gelang uns, große Silizium-Dehnungsliga (Si-Ge)-Legierungsstrukturen zu entwerfen, mit denen die Bayesian-Optimierung aufgrund übermäßiger Rechenkosten nicht umgehen konnte. MDTS ist verfügbar unter https://github.com/tsudalab/MDTS.
Dieb et al. (Thu,) untersuchten diese Frage.