Βελτίωση της μηχανικής μάθησης για το σχεδιασμό υλικών

TSUKUBA, Ιαπωνία, 30 Σεπτεμβρίου 2021 – (ACN Newswire) – Μια νέα προσέγγιση μπορεί να εκπαιδεύσει ένα μοντέλο μηχανικής μάθησης να προβλέπει τις ιδιότητες ενός υλικού χρησιμοποιώντας μόνο δεδομένα που λαμβάνονται μέσω απλών μετρήσεων, εξοικονομώντας χρόνο και χρήμα σε σύγκριση με αυτά που χρησιμοποιούνται σήμερα. Σχεδιάστηκε από ερευνητές του Εθνικού Ινστιτούτου Επιστήμης Υλικών της Ιαπωνίας (NIMS), της Asahi KASEI Corporation, της Mitsubishi Chemical Corporation, της Mitsui Chemicals και της Sumitomo Chemical Co και αναφέρθηκε στο περιοδικό Science and Technology of Advanced Materials: Methods.

Η νέα προσέγγιση μπορεί να προβλέψει δύσκολα στη μέτρηση πειραματικά δεδομένα, όπως το μέτρο εφελκυσμού, χρησιμοποιώντας εύκολα στη μέτρηση πειραματικά δεδομένα, όπως η περίθλαση ακτίνων Χ. Βοηθά περαιτέρω στο σχεδιασμό νέων υλικών ή στην επαναχρησιμοποίηση ήδη γνωστών υλικών.

«Η μηχανική μάθηση είναι ένα ισχυρό εργαλείο για την πρόβλεψη της σύνθεσης των στοιχείων και της διαδικασίας που απαιτούνται για την κατασκευή ενός υλικού με συγκεκριμένες ιδιότητες», εξηγεί ο Ryo Tamura, ανώτερος ερευνητής στο NIMS που ειδικεύεται στον τομέα της πληροφορικής των υλικών.

Απαιτείται συνήθως ένας τεράστιος όγκος δεδομένων για την εκπαίδευση μοντέλων μηχανικής εκμάθησης για αυτόν τον σκοπό. Χρησιμοποιούνται δύο είδη δεδομένων. Οι ελεγχόμενοι περιγραφείς είναι δεδομένα που μπορούν να επιλεγούν χωρίς να δημιουργηθεί ένα υλικό, όπως τα χημικά στοιχεία και οι διαδικασίες που χρησιμοποιούνται για τη σύνθεσή του. Αλλά οι μη ελεγχόμενοι περιγραφείς, όπως τα δεδομένα περίθλασης ακτίνων Χ, μπορούν να ληφθούν μόνο με την κατασκευή του υλικού και τη διεξαγωγή πειραμάτων σε αυτό.

«Αναπτύξαμε μια αποτελεσματική πειραματική μέθοδο σχεδιασμού για την ακριβέστερη πρόβλεψη των ιδιοτήτων του υλικού χρησιμοποιώντας περιγραφείς που δεν μπορούν να ελεγχθούν», λέει ο Tamura.

Η προσέγγιση περιλαμβάνει την εξέταση ενός συνόλου δεδομένων ελεγχόμενων περιγραφέων για την επιλογή του καλύτερου υλικού με τις ιδιότητες στόχου που θα χρησιμοποιηθεί για τη βελτίωση της ακρίβειας του μοντέλου. Σε αυτή την περίπτωση, οι επιστήμονες ανέκριναν μια βάση δεδομένων 75 τύπων πολυπροπυλενίων για να επιλέξουν έναν υποψήφιο με συγκεκριμένες μηχανικές ιδιότητες.

Στη συνέχεια επέλεξαν το υλικό και εξήγαγαν μερικούς από τους ανεξέλεγκτους περιγραφείς του, για παράδειγμα, τα δεδομένα περίθλασης ακτίνων Χ και τις μηχανικές του ιδιότητες.

Αυτά τα δεδομένα προστέθηκαν στο παρόν σύνολο δεδομένων για την καλύτερη εκπαίδευση ενός μοντέλου μηχανικής μάθησης που χρησιμοποιεί ειδικούς αλγόριθμους για την πρόβλεψη των ιδιοτήτων ενός υλικού χρησιμοποιώντας μόνο μη ελεγχόμενους περιγραφείς.

«Ο πειραματικός μας σχεδιασμός μπορεί να χρησιμοποιηθεί για την πρόβλεψη δύσκολα μετρήσιμων πειραματικών δεδομένων χρησιμοποιώντας εύκολα στη μέτρηση δεδομένα, επιταχύνοντας την ικανότητά μας να σχεδιάζουμε νέα υλικά ή να επανατοποθετούμε ήδη γνωστά, μειώνοντας παράλληλα το κόστος», λέει ο Tamura. Η μέθοδος πρόβλεψης μπορεί επίσης να βοηθήσει στη βελτίωση της κατανόησης του τρόπου με τον οποίο η δομή ενός υλικού επηρεάζει συγκεκριμένες ιδιότητες.

Η ομάδα αυτή τη στιγμή εργάζεται για την περαιτέρω βελτιστοποίηση της προσέγγισής της σε συνεργασία με κατασκευαστές χημικών στην Ιαπωνία.

Περαιτέρω πληροφορίες
Ρίο Ταμούρα
Εθνικό Ινστιτούτο Επιστήμης Υλικών (NIMS)
Email: tamura.ryo@nims.go.jp

Σχετικά με την Επιστήμη και την Τεχνολογία Προηγμένων Υλικών: Μέθοδοι (Μέθοδοι STAM)

Το STAM Methods είναι ένα αδελφό περιοδικό ανοιχτής πρόσβασης του Science and Technology of Advanced Materials (STAM) και εστιάζει σε αναδυόμενες μεθόδους και εργαλεία για τη βελτίωση ή/και την επιτάχυνση των εξελίξεων υλικών, όπως μεθοδολογία, συσκευές, όργανα, μοντελοποίηση, δεδομένα υψηλής απόδοσης συλλογή, πληροφορική υλικών/διαδικασιών, βάσεις δεδομένων και προγραμματισμός. https://www.tandfonline.com/STAM-M

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

Δελτίο τύπου που διανέμεται από την Asia Research News for Science and Technology of Advanced Materials.

Θέμα: Σύνοψη δελτίου τύπου
πηγή: Επιστήμη και Τεχνολογία Προηγμένων Υλικών
Τομείς: Επιστήμη και νανοτεχνολογία
https://www.acnnewswire.com

Από το δίκτυο εταιρικών ειδήσεων της Ασίας

Πνευματικά δικαιώματα © 2021 ACN Newswire. Ολα τα δικαιώματα διατηρούνται. Ένα τμήμα του δικτύου εταιρικών ειδήσεων της Ασίας.

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