Verbetering van machine learning voor materiaalontwerp

TSUKUBA, Japan, 30 september 2021 – (ACN Newswire) – Een nieuwe aanpak kan een machine learning-model trainen om de eigenschappen van een materiaal te voorspellen met behulp van alleen gegevens die zijn verkregen door eenvoudige metingen, waardoor tijd en geld worden bespaard in vergelijking met de huidige metingen. Het is ontworpen door onderzoekers van het Japanse National Institute for Materials Science (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals en Sumitomo Chemical Co en gerapporteerd in het tijdschrift Science and Technology of Advanced Materials: Methods.

De nieuwe aanpak kan moeilijk meetbare experimentele gegevens zoals trekmodulus voorspellen met behulp van eenvoudig te meten experimentele gegevens zoals röntgendiffractie. Het helpt verder bij het ontwerpen van nieuwe materialen of het hergebruiken van reeds bekende materialen.

“Machine learning is een krachtig hulpmiddel voor het voorspellen van de samenstelling van elementen en het proces dat nodig is om een ​​materiaal met specifieke eigenschappen te vervaardigen”, legt Ryo Tamura uit, een senior onderzoeker bij NIMS die gespecialiseerd is op het gebied van materiaalinformatica.

Om machine learning-modellen voor dit doel te trainen is doorgaans een enorme hoeveelheid data nodig. Er worden twee soorten gegevens gebruikt. Controleerbare descriptoren zijn gegevens die kunnen worden gekozen zonder een materiaal te maken, zoals de chemische elementen en processen die worden gebruikt om het te synthetiseren. Maar oncontroleerbare descriptoren, zoals röntgendiffractiegegevens, kunnen alleen worden verkregen door het materiaal te maken en er experimenten mee uit te voeren.

“We hebben een effectieve experimentele ontwerpmethode ontwikkeld om materiaaleigenschappen nauwkeuriger te voorspellen met behulp van descriptoren die niet kunnen worden gecontroleerd”, zegt Tamura.

De aanpak omvat het onderzoek van een dataset van controleerbare descriptoren om het beste materiaal met de doeleigenschappen te kiezen om te gebruiken om de nauwkeurigheid van het model te verbeteren. In dit geval ondervroegen de wetenschappers een database van 75 soorten polypropylenen om een ​​kandidaat met specifieke mechanische eigenschappen te selecteren.

Vervolgens selecteerden ze het materiaal en haalden er enkele van de oncontroleerbare descriptoren uit, bijvoorbeeld de röntgendiffractiegegevens en mechanische eigenschappen.

Deze gegevens zijn aan de huidige dataset toegevoegd om een ​​machinaal leermodel beter te kunnen trainen met behulp van speciale algoritmen om de eigenschappen van een materiaal te voorspellen met behulp van alleen oncontroleerbare descriptoren.

"Ons experimentele ontwerp kan worden gebruikt om moeilijk te meten experimentele gegevens te voorspellen met behulp van eenvoudig te meten gegevens, waardoor ons vermogen om nieuwe materialen te ontwerpen of reeds bekende materialen opnieuw te ontwerpen wordt versneld, terwijl de kosten worden verlaagd", zegt Tamura. De voorspellingsmethode kan ook helpen het begrip te verbeteren van hoe de structuur van een materiaal specifieke eigenschappen beïnvloedt.

Het team werkt momenteel aan het verder optimaliseren van hun aanpak in samenwerking met chemische fabrikanten in Japan.

Nadere inlichtingen
Ryo Tamura
Nationaal Instituut voor Materiaalkunde (NIMS)
E-mail: tamura.ryo@nims.go.jp

Over wetenschap en technologie van geavanceerde materialen: methoden (STAM-methoden)

STAM Methods is een open access zustertijdschrift van Science and Technology of Advanced Materials (STAM), en richt zich op opkomende methoden en tools voor het verbeteren en/of versnellen van materiaalontwikkelingen, zoals methodologie, apparatuur, instrumentatie, modellering, high-throughput data verzameling, materialen/procesinformatica, databases en programmeren. https://www.tandfonline.com/STAM-M

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

Persbericht verspreid door Asia Research News for Science and Technology of Advanced Materials.

Onderwerp: samenvatting van het persbericht
Bron: Wetenschap en technologie van geavanceerde materialen
Sectoren: Wetenschap en nanotechnologie
https://www.acnnewswire.com

Van het Asia Corporate News Network

Copyright © 2021 ACN Newswire. Alle rechten voorbehouden. Een divisie van Asia Corporate News Network.

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