Miglioramento dell'apprendimento automatico per la progettazione dei materiali

TSUKUBA, Giappone, 30 settembre 2021 – (ACN Newswire) – Un nuovo approccio può addestrare un modello di machine learning per prevedere le proprietà di un materiale utilizzando solo i dati ottenuti attraverso semplici misurazioni, risparmiando tempo e denaro rispetto a quelli attualmente utilizzati. È stato progettato dai ricercatori dell'Istituto nazionale giapponese per la scienza dei materiali (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals e Sumitomo Chemical Co e riportato sulla rivista Science and Technology of Advanced Materials: Methods.

Il nuovo approccio può prevedere dati sperimentali difficili da misurare come il modulo di trazione utilizzando dati sperimentali facili da misurare come la diffrazione dei raggi X. Aiuta ulteriormente a progettare nuovi materiali o riutilizzare quelli già conosciuti.

"Il machine learning è un potente strumento per prevedere la composizione degli elementi e il processo necessari per fabbricare un materiale con proprietà specifiche", spiega Ryo Tamura, ricercatore senior presso NIMS specializzato nel campo dell'informatica dei materiali.

Di solito è necessaria un'enorme quantità di dati per addestrare modelli di apprendimento automatico a questo scopo. Vengono utilizzati due tipi di dati. I descrittori controllabili sono dati che possono essere scelti senza creare un materiale, come gli elementi chimici e i processi utilizzati per sintetizzarlo. Ma descrittori incontrollabili, come i dati di diffrazione dei raggi X, possono essere ottenuti solo realizzando il materiale e conducendo esperimenti su di esso.

"Abbiamo sviluppato un metodo di progettazione sperimentale efficace per prevedere con maggiore precisione le proprietà dei materiali utilizzando descrittori che non possono essere controllati", afferma Tamura.

L'approccio prevede l'esame di un set di dati di descrittori controllabili per scegliere il miglior materiale con le proprietà target da utilizzare per migliorare l'accuratezza del modello. In questo caso, gli scienziati hanno interrogato un database di 75 tipi di polipropilene per selezionare un candidato con proprietà meccaniche specifiche.

Hanno quindi selezionato il materiale ed estratto alcuni dei suoi descrittori incontrollabili, ad esempio i dati di diffrazione dei raggi X e le proprietà meccaniche.

Questi dati sono stati aggiunti al presente set di dati per addestrare meglio un modello di apprendimento automatico che impiega algoritmi speciali per prevedere le proprietà di un materiale utilizzando solo descrittori incontrollabili.

"Il nostro design sperimentale può essere utilizzato per prevedere dati sperimentali difficili da misurare utilizzando dati facili da misurare, accelerando la nostra capacità di progettare nuovi materiali o riutilizzare quelli già noti, riducendo al contempo i costi", afferma Tamura. Il metodo di previsione può anche aiutare a migliorare la comprensione di come la struttura di un materiale influisce su proprietà specifiche.

Il team sta attualmente lavorando per ottimizzare ulteriormente il proprio approccio in collaborazione con i produttori di prodotti chimici in Giappone.

Ulteriori informazioni
Ryō Tamura
Istituto Nazionale per la Scienza dei Materiali (NIMS)
E-mail: tamura.ryo@nims.go.jp

Informazioni su scienza e tecnologia dei materiali avanzati: metodi (metodi STAM)

STAM Methods è una rivista gemella ad accesso aperto di Science and Technology of Advanced Materials (STAM) e si concentra su metodi e strumenti emergenti per migliorare e/o accelerare gli sviluppi dei materiali, come metodologia, apparato, strumentazione, modellazione, dati high-through put raccolta, informatica di materiali/processi, database e programmazione. https://www.tandfonline.com/STAM-M

Dott. Yoshikazu Shinohara
Direttore editoriale metodi STAM
E-mail: SHINOHARA.Yoshikazu@nims.go.jp

Comunicato stampa distribuito da Asia Research News for Science and Technology of Advanced Materials.

Argomento: riepilogo del comunicato stampa
Fonte: Scienza e tecnologia dei materiali avanzati
Settori: Scienza e nanotecnologie
https://www.acnnewswire.com

Dall'Asia Corporate News Network

Copyright © 2021 ACN Newswire. Tutti i diritti riservati. Una divisione di Asia Corporate News Network.

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