Az anyagtervezés gépi tanulásának javítása

TSUKUBA, Japán, 30. szeptember 2021. – (ACN Newswire) – Egy új megközelítéssel meg lehet tanítani egy gépi tanulási modellt egy anyag tulajdonságainak előrejelzésére, csupán egyszerű mérésekkel nyert adatok felhasználásával, így időt és pénzt takaríthat meg a jelenleg használtakhoz képest. A Japán Nemzeti Anyagtudományi Intézet (NIMS), az Asahi KASEI Corporation, a Mitsubishi Chemical Corporation, a Mitsui Chemicals és a Sumitomo Chemical Co kutatói tervezték, és a Science and Technology of Advanced Materials: Methods című folyóiratban számoltak be róla.

Az új megközelítés könnyen mérhető kísérleti adatok, például röntgendiffrakció segítségével előre jelezheti a nehezen mérhető kísérleti adatokat, például a húzási modulust. Segít továbbá új anyagok tervezésében vagy a már ismertek újrahasznosításában.

„A gépi tanulás hatékony eszköz az elemek összetételének és a meghatározott tulajdonságokkal rendelkező anyagok előállításához szükséges folyamatok előrejelzésére” – magyarázza Ryo Tamura, a NIMS vezető kutatója, aki az anyaginformatika területére szakosodott.

Általában óriási mennyiségű adatra van szükség a gépi tanulási modellek erre a célra történő betanításához. Kétféle adatot használnak. A szabályozható leírók olyan adatok, amelyek anyag elkészítése nélkül választhatók ki, például a kémiai elemek és a szintetizáláshoz használt eljárások. De ellenőrizhetetlen leírók, mint például a röntgendiffrakciós adatok, csak az anyag elkészítésével és kísérletekkel szerezhetők be.

„Egy hatékony kísérleti tervezési módszert fejlesztettünk ki az anyagtulajdonságok pontosabb előrejelzésére olyan leírók segítségével, amelyeket nem lehet ellenőrizni” – mondja Tamura.

A megközelítés magában foglalja a szabályozható leírók adathalmazának vizsgálatát, hogy kiválassza a céltulajdonságokkal rendelkező legjobb anyagot a modell pontosságának javítására. Ebben az esetben a tudósok egy 75 típusú polipropilén adatbázisát kérdezték meg, hogy kiválaszthassanak egy jelöltet, amely meghatározott mechanikai tulajdonságokkal rendelkezik.

Ezután kiválasztották az anyagot, és kinyerték néhány ellenőrizhetetlen leíróját, például röntgendiffrakciós adatait és mechanikai tulajdonságait.

Ezeket az adatokat hozzáadtuk a jelen adatkészlethez, hogy jobban megtanítsák a gépi tanulási modellt, amely speciális algoritmusokat alkalmaz, hogy előre jelezze az anyag tulajdonságait, csak ellenőrizhetetlen leírók használatával.

„Kísérleti tervünk felhasználható nehezen mérhető kísérleti adatok előrejelzésére, könnyen mérhető adatok felhasználásával, felgyorsítva új anyagok tervezését vagy a már ismert anyagok újrahasznosítását, miközben csökkentjük a költségeket” – mondja Tamura. Az előrejelzési módszer segíthet annak megértésében is, hogy az anyag szerkezete hogyan befolyásolja az adott tulajdonságokat.

A csapat jelenleg a japán vegyianyag-gyártókkal együttműködve a megközelítés további optimalizálásán dolgozik.

További információ
Ryo Tamura
Nemzeti Anyagtudományi Intézet (NIMS)
E-mail: tamura.ryo@nims.go.jp

A fejlett anyagok tudományáról és technológiájáról: módszerek (STAM-módszerek)

A STAM Methods a Science and Technology of Advanced Materials (STAM) nyílt hozzáférésű testvérfolyóirata, amely az anyagok fejlesztésének javítására és/vagy felgyorsítására szolgáló új módszerekre és eszközökre összpontosít, mint például a módszertan, a készülékek, a műszerek, a modellezés, a nagy áteresztőképességű adatok. gyűjtés, anyagok/folyamatinformatika, adatbázisok és programozás. https://www.tandfonline.com/STAM-M

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

Az Asia Research News által terjesztett sajtóközlemény a fejlett anyagok tudományos és technológiái számára.

Téma: Sajtóközlemény összefoglaló
Forrás: A fejlett anyagok tudománya és technológiája
Ágazatok: Tudomány és nanotech
https://www.acnnewswire.com

Az Asia Corporate News Network-től

Szerzői jog © 2021 ACN Newswire. Minden jog fenntartva. Az Asia Corporate News Network részlege.

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