Designing optimal experiments minimizes the uncertainty of results and maximizes the efficient use of resources. Herein, machine learning surrogate models and the approximate coordinate exchange (ACE) algorithm are used to determine optimal experimental designs (OEDs) over large or arbitrarily restrictive design spaces. OED is particularly salient in materials science, where experiments are expensive and material properties must often be inferred indirectly. The proposed framework is demonstrated by finding optimal experiments with which the hidden constituent properties of composite materials can be most efficiently inferred from observable experimental outcomes. The OED is given by an information-theoretic criterion that maximizes the conditional mutual information between the hidden properties and the expected experimental outcomes. To perform tractable optimization, a neural network is trained as a surrogate model to mimic a physics-based simulation, which can calculate the expected experimental outcome based on a candidate experimental design and sampled constituent properties. The ACE algorithm is used to optimize over large design spaces with many tests and controlled parameters where an exhaustive search would be intractable even with the surrogate model. Using this approach, OEDs that are consistent with those produced by heuristic knowledge and established best practices are found; then optimal designs in larger design spaces where heuristic knowledge is unavailable are examined. All code, data, and trained models to reproduce the work in this paper is available at https://github.com/nasa/OED-with-NN-surrogates.

设计最佳实验可以最大限度地减少结果的不确定性，并最大限度地提高资源的利用效率。在此，机器学习替代模型和近似坐标交换 (ACE) 算法用于确定大型或任意限制性设计空间上的最佳实验设计 (OED)。OED 在材料科学中尤为突出，因为实验费用昂贵，而且材料特性通常必须间接推断。通过寻找最佳实验证明了所提出的框架，通过这些实验可以最有效地从可观察到的实验结果中推断出复合材料的隐藏成分特性。OED 由信息论标准给出，该标准最大化隐藏属性和预期实验结果之间的条件互信息。为了执行易处理的优化，神经网络被训练为模拟基于物理的模拟的替代模型，它可以根据候选实验设计和采样的成分属性计算预期的实验结果。ACE 算法用于在具有许多测试和受控参数的大型设计空间上进行优化，即使使用代理模型也难以进行详尽搜索。使用这种方法，可以找到与启发式知识和既定最佳实践所产生的 OED 一致的 OED；然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在 神经网络被训练为模拟基于物理的模拟的替代模型，它可以根据候选实验设计和采样的成分属性计算预期的实验结果。ACE 算法用于在具有许多测试和受控参数的大型设计空间上进行优化，即使使用代理模型也难以进行详尽搜索。使用这种方法，可以找到与启发式知识和既定最佳实践所产生的 OED 一致的 OED；然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在 神经网络被训练为模拟基于物理的模拟的替代模型，它可以根据候选实验设计和采样的成分属性计算预期的实验结果。ACE 算法用于在具有许多测试和受控参数的大型设计空间上进行优化，即使使用代理模型也难以进行详尽搜索。使用这种方法，可以找到与启发式知识和既定最佳实践所产生的 OED 一致的 OED；然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在 ACE 算法用于在具有许多测试和受控参数的大型设计空间上进行优化，即使使用代理模型也难以进行详尽搜索。使用这种方法，可以找到与启发式知识和既定最佳实践所产生的 OED 一致的 OED；然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在 ACE 算法用于在具有许多测试和受控参数的大型设计空间上进行优化，即使使用代理模型也难以进行详尽搜索。使用这种方法，可以找到与启发式知识和既定最佳实践所产生的 OED 一致的 OED；然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在 然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在 然后检查在启发式知识不可用的较大设计空间中的最佳设计。重现本文工作的所有代码、数据和训练模型可在https://github.com/nasa/OED-with-NN-surrogates。