Meningkatkan pembelajaran mesin untuk desain material

TSUKUBA, Jepang, 30 September 2021 – (ACN Newswire) – Pendekatan baru dapat melatih model pembelajaran mesin untuk memprediksi sifat material hanya dengan menggunakan data yang diperoleh melalui pengukuran sederhana, menghemat waktu dan uang dibandingkan dengan yang digunakan saat ini. Ini dirancang oleh para peneliti di Institut Nasional Jepang untuk Ilmu Material (NIMS), Asahi KAsei Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals, dan Sumitomo Chemical Co dan dilaporkan dalam jurnal Science and Technology of Advanced Materials: Methods.

Pendekatan baru ini dapat memprediksi data eksperimen yang sulit diukur seperti modulus tarik menggunakan data eksperimen yang mudah diukur seperti difraksi sinar-X. Ini lebih lanjut membantu merancang bahan baru atau menggunakan kembali bahan yang sudah dikenal.

“Pembelajaran mesin adalah alat yang ampuh untuk memprediksi komposisi elemen dan proses yang diperlukan untuk membuat bahan dengan sifat tertentu,” jelas Ryo Tamura, peneliti senior di NIMS yang berspesialisasi dalam bidang informatika bahan.

Sejumlah besar data biasanya diperlukan untuk melatih model pembelajaran mesin untuk tujuan ini. Ada dua jenis data yang digunakan. Deskriptor terkendali adalah data yang dapat dipilih tanpa membuat bahan, seperti unsur kimia dan proses yang digunakan untuk mensintesisnya. Tetapi deskriptor yang tidak dapat dikontrol, seperti data difraksi sinar-X, hanya dapat diperoleh dengan membuat material dan melakukan eksperimen terhadapnya.

“Kami mengembangkan metode desain eksperimental yang efektif untuk memprediksi sifat material secara lebih akurat menggunakan deskriptor yang tidak dapat dikontrol,” kata Tamura.

Pendekatan ini melibatkan pemeriksaan kumpulan data deskriptor yang dapat dikontrol untuk memilih bahan terbaik dengan properti target yang akan digunakan untuk meningkatkan akurasi model. Dalam kasus ini, para ilmuwan menginterogasi database 75 jenis polipropilena untuk memilih kandidat dengan sifat mekanik tertentu.

Mereka kemudian memilih bahan dan mengekstrak beberapa deskriptornya yang tidak terkendali, misalnya, data difraksi sinar-X dan sifat mekaniknya.

Data ini ditambahkan ke kumpulan data saat ini untuk melatih model pembelajaran mesin yang menggunakan algoritme khusus untuk memprediksi properti material dengan hanya menggunakan deskriptor yang tidak dapat dikontrol dengan lebih baik.

“Desain eksperimental kami dapat digunakan untuk memprediksi data eksperimen yang sulit diukur menggunakan data yang mudah diukur, mempercepat kemampuan kami untuk merancang bahan baru atau untuk menggunakan kembali bahan yang sudah diketahui, sekaligus mengurangi biaya,” kata Tamura. Metode prediksi juga dapat membantu meningkatkan pemahaman tentang bagaimana struktur material mempengaruhi sifat tertentu.

Tim saat ini bekerja untuk lebih mengoptimalkan pendekatan mereka bekerja sama dengan produsen bahan kimia di Jepang.

Informasi lebih lanjut
Ryo Tamura
Institut Nasional untuk Ilmu Material (NIMS)
Email: tamura.ryo@nims.go.jp

Tentang Sains dan Teknologi Bahan Maju: Metode (Metode STAM)

Metode STAM adalah jurnal saudara akses terbuka Sains dan Teknologi Bahan Lanjutan (STAM), dan berfokus pada metode dan alat yang muncul untuk meningkatkan dan/atau mempercepat pengembangan bahan, seperti metodologi, peralatan, instrumentasi, pemodelan, data high-through put koleksi, bahan/proses informatika, database, dan pemrograman. https://www.tandfonline.com/STAM-M

Dr Yoshikazu Shinohara
Direktur Penerbitan Metode STAM
Email: SHINOHARA.Yoshikazu@nims.go.jp

Siaran pers didistribusikan oleh Asia Research News for Science and Technology of Advanced Materials.

Topik: Ringkasan siaran pers
Sumber: Ilmu dan Teknologi Material Maju
Sektor: Sains & Nanoteknologi
https://www.acnnewswire.com

Dari Jaringan Berita Korporat Asia

Hak Cipta © 2021 ACN Newswire. Seluruh hak cipta. Sebuah divisi dari Asia Corporate News Network.

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