Materjalide kujundamise masinõppe täiustamine

TSUKUBA, Jaapan, 30. september 2021 – (ACN Newswire) – Uus lähenemisviis võib koolitada masinõppe mudelit, et ennustada materjali omadusi, kasutades ainult lihtsate mõõtmiste abil saadud andmeid, säästes aega ja raha võrreldes praegu kasutatavatega. Selle kujundasid Jaapani riikliku materjaliteaduse instituudi (NIMS), Asahi KASEI Corporationi, Mitsubishi Chemical Corporationi, Mitsui Chemicalsi ja Sumitomo Chemical Co teadlased ning sellest teatati ajakirjas Science and Technology of Advanced Materials: Methods.

Uus lähenemisviis võib ennustada raskesti mõõdetavaid eksperimentaalseid andmeid, näiteks tõmbemoodulit, kasutades kergesti mõõdetavaid eksperimentaalseid andmeid, nagu röntgendifraktsioon. Lisaks aitab see kujundada uusi materjale või kasutada juba tuntud materjale.

"Masinõpe on võimas tööriist spetsiifiliste omadustega materjali valmistamiseks vajalike elementide koostise ja protsesside ennustamiseks," selgitab NIMS-i vanemteadur Ryo Tamura, kes on spetsialiseerunud materjalide informaatika valdkonnale.

Masinõppemudelite selleks otstarbeks koolitamiseks on tavaliselt vaja tohutult palju andmeid. Kasutatakse kahte tüüpi andmeid. Kontrollitavad deskriptorid on andmed, mida saab valida ilma materjali koostamata, näiteks keemilised elemendid ja selle sünteesimiseks kasutatavad protsessid. Kuid kontrollimatuid deskriptoreid, nagu röntgendifraktsiooniandmeid, saab hankida ainult materjali valmistamisel ja sellega katsete tegemisel.

"Me töötasime välja tõhusa eksperimentaalse disainimeetodi, et täpsemalt ennustada materjali omadusi, kasutades deskriptoreid, mida ei saa kontrollida, " ütleb Tamura.

See lähenemisviis hõlmab kontrollitavate deskriptorite andmekogumi uurimist, et valida parim sihtomadustega materjal, mida mudeli täpsuse parandamiseks kasutada. Sel juhul uurisid teadlased 75 tüüpi polüpropüleenide andmebaasi, et valida konkreetsete mehaaniliste omadustega kandidaat.

Seejärel valisid nad materjali ja ekstraheerisid mõned selle kontrollimatud kirjeldused, näiteks selle röntgendifraktsiooni andmed ja mehaanilised omadused.

Need andmed lisati käesolevasse andmekogumisse, et paremini koolitada masinõppemudelit, kasutades spetsiaalseid algoritme, et ennustada materjali omadusi, kasutades ainult kontrollimatuid deskriptoreid.

"Meie eksperimentaalset disaini saab kasutada raskesti mõõdetavate katseandmete ennustamiseks, kasutades hõlpsasti mõõdetavaid andmeid, kiirendades meie võimet kavandada uusi materjale või kasutada juba teadaolevaid materjale, vähendades samal ajal kulusid, " ütleb Tamura. Ennustusmeetod võib samuti aidata paremini mõista, kuidas materjali struktuur konkreetseid omadusi mõjutab.

Meeskond töötab praegu koostöös Jaapani kemikaalitootjatega oma lähenemisviisi edasise optimeerimise nimel.

Lisateavet
Ryo Tamura
Riiklik materjaliteaduse instituut (NIMS)
E-mail: tamura.ryo@nims.go.jp

Täiustatud materjalide teaduse ja tehnoloogia kohta: meetodid (STAM-meetodid)

STAM Methods on arenenud materjalide teaduse ja tehnoloogia (STAM) avatud juurdepääsuga sõsarajakiri, mis keskendub esilekerkivatele meetoditele ja tööriistadele materjalide arendamise parandamiseks ja/või kiirendamiseks, nagu metoodika, seadmed, mõõteriistad, modelleerimine, kõrgläbilaskvad andmed. kogumine, materjalide/protsesside informaatika, andmebaasid ja programmeerimine. https://www.tandfonline.com/STAM-M

Dr Yoshikazu Shinohara
STAM Methodsi kirjastuse direktor
E-mail: SHINOHARA.Yoshikazu@nims.go.jp

Pressiteade, mida levitab Asia Research News arenenud materjalide teaduse ja tehnoloogia jaoks.

Teema: pressiteate kokkuvõte
Allikas: Täiustatud materjalide teadus ja tehnoloogia
Sektorid: Teadus ja nanotehnoloogia
https://www.acnnewswire.com

Asia Corporate News Networkist

Autoriõigus © 2021 ACN Newswire. Kõik õigused kaitstud. Aasia ettevõtteuudiste võrgustiku osakond.

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