Maschinelles Lernen für das Design von a-C:H-Schichten mit Hilfe von Gauß-Prozessen
In unserer aktuellen Open-Access-Veröffentlichung wurde die Verwendung von Machine Learning untersucht, um das Design von amorphen Kohlenstoffschichten zu verbessern. So wird durch die Verwendung von Gauß-Prozess-Regressionsmodellen (GPR) eine Visualisierung der Prozesskarte der verfügbaren Schichtdesigns erstellt. Das Training der GPR-Modelle basiert dabei auf den experimentellen Ergebnissen eines zentral zusammengestellten vollfaktoriellen Versuchsplans für die Abscheidung von a-C:H-Schichten auf medizinischem UHMWPE. Ferner werden die entwickelten GPR-Modelle mit verschiedenen überwachten Modellen des maschinellen Lernens, wie Polynomialer Regression, Support Vector Machines und Neuronalen Netzen verglichen, um die Vorhersage vielversprechender Kohlenstoffschichten zu ermöglichen. Die Vorhersagegüte der Modelle wird anhand eines weiteren Versuchsplans durch den Vergleich vorhergesagter und experimentell bestimmter Kenngrößen evaluiert. https://doi.org/10.3390/lubricants10020022