使用基于不确定性的主动学习策略可加快新材料的开发。我们使用不同的不确定性估计器并研究了它们在主动学习迭代循环的效率，以便在四个不同的实验数据集中找到最佳材料。支持向量回归模型作为基础学习器自举聚合可获取与模型预测相关的不确定性。当使用自举法采样的次数B较小时，经验标准误差估计器估计的方差接近真实方差，而基于刀切法的估计器给出方差却存在偏差。随着B增加，基于刀切法的估计器的偏差逐渐减小，最终估计出的方差收敛于真实值。因此，相比基于刀切法的估计器，经验标准误差估计器需要最少的迭代循环就可以找到数据集中的最佳材料，尤其是当B较小时。工作表明，主动学习中使用适当的重采样次数B有助于节省计算成本。

      该研究成果近日以《不确定性估计在主动学习加速新材料发现中的作用》（Role of uncertainty estimation in accelerating materials development via active learning）为题，发表于Journal of Applied Physics上。

      论文链接：https://aip.scitation.org/doi/10.1063/5.0012405