Verbesserung des maschinellen Lernens für das Materialdesign

TSUKUBA, Japan, 30. September 2021 – (ACN Newswire) – Ein neuer Ansatz kann ein maschinelles Lernmodell trainieren, um die Eigenschaften eines Materials nur anhand von Daten vorherzusagen, die durch einfache Messungen gewonnen wurden, was Zeit und Geld im Vergleich zu den derzeit verwendeten spart. Es wurde von Forschern des japanischen National Institute for Materials Science (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals und Sumitomo Chemical Co entwickelt und in der Zeitschrift Science and Technology of Advanced Materials: Methods veröffentlicht.

Der neue Ansatz kann schwierig zu messende experimentelle Daten wie den Zugmodul vorhersagen, indem einfach zu messende experimentelle Daten wie Röntgenbeugung verwendet werden. Es hilft außerdem, neue Materialien zu entwickeln oder bereits bekannte wiederzuverwenden.

„Maschinelles Lernen ist ein leistungsstarkes Werkzeug zur Vorhersage der Zusammensetzung von Elementen und des Prozesses, der zur Herstellung eines Materials mit bestimmten Eigenschaften erforderlich ist“, erklärt Ryo Tamura, ein leitender Forscher am NIMS, der sich auf das Gebiet der Materialinformatik spezialisiert hat.

Um Machine-Learning-Modelle zu diesem Zweck zu trainieren, werden in der Regel enorme Datenmengen benötigt. Es werden zwei Arten von Daten verwendet. Kontrollierbare Deskriptoren sind Daten, die ausgewählt werden können, ohne ein Material herzustellen, wie zum Beispiel die chemischen Elemente und Prozesse, die zu seiner Synthese verwendet werden. Aber unkontrollierbare Deskriptoren, wie Röntgenbeugungsdaten, können nur durch die Herstellung des Materials und die Durchführung von Experimenten erhalten werden.

„Wir haben eine effektive experimentelle Designmethode entwickelt, um Materialeigenschaften mithilfe von Deskriptoren, die nicht kontrolliert werden können, genauer vorherzusagen“, sagt Tamura.

Der Ansatz beinhaltet die Untersuchung eines Datensatzes kontrollierbarer Deskriptoren, um das beste Material mit den Zieleigenschaften auszuwählen, das zur Verbesserung der Modellgenauigkeit verwendet werden soll. In diesem Fall haben die Wissenschaftler eine Datenbank mit 75 Polypropylen-Typen abgefragt, um einen Kandidaten mit bestimmten mechanischen Eigenschaften auszuwählen.

Dann wählten sie das Material aus und extrahierten einige seiner unkontrollierbaren Deskriptoren, zum Beispiel seine Röntgenbeugungsdaten und mechanischen Eigenschaften.

Diese Daten wurden dem vorliegenden Datensatz hinzugefügt, um ein maschinelles Lernmodell besser zu trainieren, das spezielle Algorithmen verwendet, um die Eigenschaften eines Materials nur mit unkontrollierbaren Deskriptoren vorherzusagen.

„Unser experimentelles Design kann verwendet werden, um schwierig zu messende experimentelle Daten anhand einfach zu messender Daten vorherzusagen, was unsere Fähigkeit beschleunigt, neue Materialien zu entwickeln oder bereits bekannte Materialien wiederzuverwenden und gleichzeitig die Kosten zu senken“, sagt Tamura. Die Vorhersagemethode kann auch dazu beitragen, das Verständnis dafür zu verbessern, wie sich die Struktur eines Materials auf bestimmte Eigenschaften auswirkt.

Derzeit arbeitet das Team in Zusammenarbeit mit Chemieherstellern in Japan daran, seinen Ansatz weiter zu optimieren.

Weitere Informationen
Ryō Tamura
Nationales Institut für Materialwissenschaften (NIMS)
Email: tamura.ryo@nims.go.jp

Über Wissenschaft und Technologie fortschrittlicher Materialien: Methoden (STAM-Methoden)

STAM Methods ist eine Open-Access-Schwesterzeitschrift von Science and Technology of Advanced Materials (STAM) und konzentriert sich auf neue Methoden und Werkzeuge zur Verbesserung und/oder Beschleunigung von Materialentwicklungen, wie Methodik, Apparate, Instrumentierung, Modellierung, Hochdurchsatzdaten Sammlung, Material-/Prozessinformatik, Datenbanken und Programmierung. https://www.tandfonline.com/STAM-M

Dr. Yoshikazu Shinohara
STAM Methods Publishing Director
Email: SHINOHARA.Yoshikazu@nims.go.jp

Pressemitteilung verteilt von Asia Research News für Science and Technology of Advanced Materials.

Thema: Zusammenfassung der Pressemitteilung
Quelle: Wissenschaft und Technologie fortgeschrittener Materialien
Sektoren: Wissenschaft & Nanotechnologie
https://www.acnnewswire.com

Aus dem Asia Corporate News Network

Copyright © 2021 ACN Newswire. Alle Rechte vorbehalten. Ein Geschäftsbereich des Asia Corporate News Network.

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