Materiaalisuunnittelun koneoppimisen parantaminen

TSUKUBA, Japani, 30. syyskuuta 2021 – (ACN Newswire) – Uusi lähestymistapa voi kouluttaa koneoppimismallin ennustamaan materiaalin ominaisuuksia käyttämällä vain yksinkertaisilla mittauksilla saatuja tietoja, mikä säästää aikaa ja rahaa verrattuna nykyisin käytettyihin. Sen on suunnitellut Japanin kansallisen materiaalitieteellisen instituutin (NIMS), Asahi KASEI Corporationin, Mitsubishi Chemical Corporationin, Mitsui Chemicalsin ja Sumitomo Chemical Co: n tutkijat ja raportoitu Science and Technology of Advanced Materials: Methods -lehdessä.

Uusi lähestymistapa voi ennustaa vaikeasti mitattavia kokeellisia tietoja, kuten vetomoduulia, käyttämällä helposti mitattavia kokeellisia tietoja, kuten röntgendiffraktiota. Se auttaa lisäksi suunnittelemaan uusia materiaaleja tai uudelleenkäyttöön jo tuttuja.

"Koneoppiminen on tehokas työkalu ennustamaan elementtien koostumus ja prosessi, joka tarvitaan tiettyjen ominaisuuksien materiaalin valmistamiseen", selittää Ryo Tamura, NIMS: n vanhempi tutkija, joka on erikoistunut materiaali -informaatiotekniikkaan.

Koneoppimismallien kouluttamiseen tähän tarkoitukseen tarvitaan yleensä valtava määrä tietoa. Käytetään kahdenlaisia ​​tietoja. Ohjattavat kuvaajat ovat tietoja, jotka voidaan valita ilman materiaalin valmistusta, kuten kemialliset elementit ja prosessit, joita käytetään sen syntetisointiin. Mutta hallitsemattomat kuvaajat, kuten röntgendiffraktiotiedot, voidaan saada vain tekemällä materiaali ja suorittamalla sille kokeita.

"Kehitimme tehokkaan kokeellisen suunnittelumenetelmän materiaalien ominaisuuksien ennustamiseksi tarkemmin käyttämällä kuvauksia, joita ei voida hallita", Tamura sanoo.

Lähestymistapa sisältää hallittavien kuvailijoiden tietojoukon tutkimuksen, jotta voidaan valita paras materiaali, jolla on kohdeominaisuudet ja jota käytetään mallin tarkkuuden parantamiseen. Tässä tapauksessa tutkijat kuulustelivat 75: n tyyppistä polypropeenia sisältävän tietokannan valitakseen ehdokkaan, jolla on erityiset mekaaniset ominaisuudet.

Sitten he valitsivat materiaalin ja poimivat osan sen hallitsemattomista kuvauksista, esimerkiksi sen röntgendiffraktiotiedot ja mekaaniset ominaisuudet.

Nämä tiedot lisättiin nykyiseen tietojoukkoon kouluttaakseen paremmin koneoppimismallia, joka käyttää erityisiä algoritmeja materiaalin ominaisuuksien ennustamiseen käyttämällä vain hallitsemattomia kuvauksia.

"Kokeellisella suunnittelullamme voidaan ennustaa vaikeasti mitattavia kokeellisia tietoja helposti mitattavien tietojen avulla, mikä nopeuttaa kykyämme suunnitella uusia materiaaleja tai käyttää uudelleen jo tunnettuja materiaaleja ja vähentää kustannuksia", Tamura sanoo. Ennustusmenetelmä voi myös auttaa ymmärtämään paremmin, miten materiaalin rakenne vaikuttaa tiettyihin ominaisuuksiin.

Tiimi pyrkii parhaillaan optimoimaan lähestymistapaansa edelleen yhteistyössä japanilaisten kemianvalmistajien kanssa.

Lisätietoja
Ryo Tamura
National Institute for Materials Science (NIMS)
Sähköposti: tamura.ryo@nims.go.jp

Tietoja kehittyneiden materiaalien tieteestä ja tekniikasta: menetelmät (STAM -menetelmät)

STAM Methods on avoimen pääsyn sisarlehti Science and Technology of Advanced Materials (STAM), ja se keskittyy uusiin menetelmiin ja työkaluihin, joilla parannetaan ja/tai nopeutetaan materiaalien kehitystä, kuten menetelmiä, laitteita, instrumentointia, mallinnusta, korkean läpimenon tietoja kokoelma, materiaalit/prosessi -informaatiot, tietokannat ja ohjelmointi. https://www.tandfonline.com/STAM-M

Tohtori Yoshikazu Shinohara
STAM Methods -julkaisujohtaja
Sähköposti: SHINOHARA.Yoshikazu@nims.go.jp

Lehdistötiedote, jonka levittää Asia Research News for Science and Technology of Advanced Materials.

Aihe: Yhteenveto lehdistötiedotteesta
Lähde: Edistyneiden materiaalien tiede ja tekniikka
Alat: Tiede ja nanotekniikka
https://www.acnnewswire.com

Asia Corporate News Network -verkosta

Tekijänoikeus © 2021 ACN Newswire. Kaikki oikeudet pidätetään. Jaettu Asia Corporate News Network.

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