تحسين التعلم الآلي لتصميم المواد

TSUKUBA ، اليابان ، 30 سبتمبر 2021 - (ACN Newswire) - يمكن لنهج جديد تدريب نموذج التعلم الآلي على التنبؤ بخصائص المادة باستخدام البيانات التي يتم الحصول عليها من خلال قياسات بسيطة فقط، مما يوفر الوقت والمال مقارنة بتلك المستخدمة حاليًا. تم تصميمه من قبل باحثين في المعهد الوطني الياباني لعلوم المواد (NIMS)، وشركة Asahi KASEI، وشركة Mitsubishi Chemical Corporation، وMitsui Chemicals، وSumitomo Chemical Co، وتم نشره في مجلة Science and Technology of Advanced Materials: Methods.

يمكن للنهج الجديد التنبؤ بالبيانات التجريبية التي يصعب قياسها مثل معامل الشد باستخدام بيانات تجريبية سهلة القياس مثل حيود الأشعة السينية. كما أنه يساعد أيضًا في تصميم مواد جديدة أو إعادة استخدام المواد المعروفة بالفعل.

يوضح ريو تامورا، أحد كبار الباحثين في NIMS والمتخصص في مجال معلوماتية المواد: "يعد التعلم الآلي أداة قوية للتنبؤ بتركيبة العناصر والعملية اللازمة لتصنيع مادة ذات خصائص محددة".

عادة ما تكون هناك حاجة إلى كمية هائلة من البيانات لتدريب نماذج التعلم الآلي لهذا الغرض. يتم استخدام نوعين من البيانات. الواصفات التي يمكن التحكم فيها هي البيانات التي يمكن اختيارها دون تصنيع مادة، مثل العناصر الكيميائية والعمليات المستخدمة لتصنيعها. لكن الواصفات التي لا يمكن التحكم فيها، مثل بيانات حيود الأشعة السينية، لا يمكن الحصول عليها إلا عن طريق تصنيع المادة وإجراء التجارب عليها.

يقول تامورا: "لقد طورنا طريقة تصميم تجريبية فعالة للتنبؤ بشكل أكثر دقة بخصائص المواد باستخدام واصفات لا يمكن التحكم فيها".

يتضمن النهج فحص مجموعة بيانات من الواصفات التي يمكن التحكم فيها لاختيار أفضل المواد ذات الخصائص المستهدفة لاستخدامها في تحسين دقة النموذج. في هذه الحالة، قام العلماء باستجواب قاعدة بيانات تضم 75 نوعًا من البولي بروبيلين لاختيار مرشح له خصائص ميكانيكية محددة.

ثم اختاروا المادة واستخرجوا بعضًا من أوصافها التي لا يمكن التحكم فيها، على سبيل المثال، بيانات حيود الأشعة السينية وخصائصها الميكانيكية.

تمت إضافة هذه البيانات إلى مجموعة البيانات الحالية لتدريب نموذج التعلم الآلي بشكل أفضل باستخدام خوارزميات خاصة للتنبؤ بخصائص المادة باستخدام واصفات لا يمكن التحكم فيها فقط.

يقول تامورا: "يمكن استخدام تصميمنا التجريبي للتنبؤ بالبيانات التجريبية التي يصعب قياسها باستخدام بيانات سهلة القياس، مما يسرع قدرتنا على تصميم مواد جديدة أو إعادة استخدام المواد المعروفة بالفعل، مع تقليل التكاليف". يمكن أن تساعد طريقة التنبؤ أيضًا في تحسين فهم كيفية تأثير بنية المادة على خصائص معينة.

ويعمل الفريق حاليًا على تحسين نهجهم بالتعاون مع الشركات المصنعة للمواد الكيميائية في اليابان.

مزيد من المعلومات
ريو تامورا
المعهد الوطني لعلوم المواد (NIMS)
البريد الإلكتروني tamura.ryo@nims.go.jp

حول علوم وتكنولوجيا المواد المتقدمة: الطرق (طرق STAM)

STAM Methods هي مجلة شقيقة للوصول المفتوح لعلوم وتكنولوجيا المواد المتقدمة (STAM) ، وتركز على الأساليب والأدوات الناشئة لتحسين و / أو تسريع تطوير المواد ، مثل المنهجية ، والأجهزة ، والأجهزة ، والنمذجة ، وبيانات عالية من خلال وضع الجمع والمواد / المعلوماتية العملية وقواعد البيانات والبرمجة. https://www.tandfonline.com/STAM-M

الدكتور يوشيكازو شينوهارا
مدير نشر طرق STAM
البريد الإلكتروني شينوهارا.يوشيكازو@nims.go.jp

بيان صحفي وزعته Asia Research News for Science and Technology of Advanced Materials.

الموضوع: ملخص البيان الصحفي
المصدر علوم وتكنولوجيا المواد المتقدمة
القطاعات: العلوم وتقنية النانو
https://www.acnnewswire.com

من شبكة أخبار الشركات الآسيوية

حقوق النشر © 2021 ACN Newswire. كل الحقوق محفوظة. قسم من شبكة أخبار الشركات الآسيوية.

المصدر: https://www.acnnewswire.com/press-release/english/69945/