Forbedring af maskinlæring til materialedesign

TSUKUBA, Japan, 30. september 2021 – (ACN Newswire) – En ny tilgang kan træne en maskinlæringsmodel til at forudsige et materiales egenskaber ved kun at bruge data opnået gennem simple målinger, hvilket sparer tid og penge sammenlignet med dem, der bruges i øjeblikket. Det blev designet af forskere ved Japans National Institute for Materials Science (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals og Sumitomo Chemical Co og rapporteret i tidsskriftet Science and Technology of Advanced Materials: Methods.

Den nye tilgang kan forudsige eksperimentelle data, der er svære at måle, såsom trækmodul ved hjælp af let-målbare eksperimentelle data som røntgendiffraktion. Det hjælper yderligere med at designe nye materialer eller genbruge allerede kendte.

"Maskinlæring er et kraftfuldt værktøj til at forudsige sammensætningen af ​​elementer og processer, der er nødvendige for at fremstille et materiale med specifikke egenskaber," forklarer Ryo Tamura, en seniorforsker ved NIMS, der har specialiseret sig inden for materialeinformatik.

En enorm mængde data er normalt nødvendig for at træne maskinlæringsmodeller til dette formål. Der bruges to slags data. Kontrollerbare deskriptorer er data, der kan vælges uden at lave et materiale, såsom de kemiske elementer og processer, der bruges til at syntetisere det. Men ukontrollerbare deskriptorer, som røntgendiffraktionsdata, kan kun opnås ved at lave materialet og udføre eksperimenter på det.

"Vi udviklede en effektiv eksperimentel designmetode til mere præcist at forudsige materialeegenskaber ved hjælp af deskriptorer, der ikke kan kontrolleres," siger Tamura.

Fremgangsmåden indebærer undersøgelse af et datasæt af kontrollerbare deskriptorer for at vælge det bedste materiale med de målegenskaber, der skal bruges til at forbedre modellens nøjagtighed. I dette tilfælde forhørte forskerne en database med 75 typer polypropylener for at vælge en kandidat med specifikke mekaniske egenskaber.

De valgte derefter materialet og udtog nogle af dets ukontrollerbare deskriptorer, for eksempel dets røntgendiffraktionsdata og mekaniske egenskaber.

Disse data blev tilføjet til det nuværende datasæt for bedre at træne en maskinlæringsmodel, der anvender specielle algoritmer til at forudsige et materiales egenskaber ved kun at bruge ukontrollerbare deskriptorer.

"Vores eksperimentelle design kan bruges til at forudsige eksperimentelle data, der er svære at måle ved at bruge data, der er nemme at måle, hvilket accelererer vores evne til at designe nye materialer eller genbruge allerede kendte materialer, og samtidig reducere omkostningerne," siger Tamura. Forudsigelsesmetoden kan også hjælpe med at forbedre forståelsen af, hvordan et materiales struktur påvirker specifikke egenskaber.

Teamet arbejder i øjeblikket på at optimere deres tilgang yderligere i samarbejde med kemikalieproducenter i Japan.

Yderligere information
Ryo Tamura
National Institute for Materials Science (NIMS)
E-mail: tamura.ryo@nims.go.jp

Om videnskab og teknologi af avancerede materialer: Metoder (STAM-metoder)

STAM Methods er et søstertidsskrift med åben adgang til Science and Technology of Advanced Materials (STAM), og fokuserer på nye metoder og værktøjer til at forbedre og/eller accelerere materialeudvikling, såsom metodologi, apparatur, instrumentering, modellering, high-through put data indsamling, materialer/procesinformatik, databaser og programmering. https://www.tandfonline.com/STAM-M

Dr. Yoshikazu Shinohara
STAM Methods Publishing Director
E-mail: SHINOHARA.Yoshikazu@nims.go.jp

Pressemeddelelse distribueret af Asia Research News for Science and Technology of Advanced Materials.

Emne: Pressemeddelelsesoversigt
Kilde: Videnskab og teknologi af avancerede materialer
Sektorer: Videnskab og nanoteknologi
https://www.acnnewswire.com

Fra Asia Corporate News Network

Ophavsret © 2021 ACN Newswire. Alle rettigheder forbeholdes. En division af Asia Corporate News Network.

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