Forbedring av maskinlæring for materialdesign

TSUKUBA, Japan, 30. september 2021 – (ACN Newswire) – En ny tilnærming kan trene en maskinlæringsmodell til å forutsi egenskapene til et materiale ved kun å bruke data innhentet gjennom enkle målinger, noe som sparer tid og penger sammenlignet med de som brukes i dag. Den ble designet av forskere ved Japans nasjonale institutt for materialvitenskap (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals og Sumitomo Chemical Co og rapportert i tidsskriftet Science and Technology of Advanced Materials: Methods.

Den nye tilnærmingen kan forutsi eksperimentelle data som er vanskelige å måle, for eksempel strekkmodul ved å bruke eksperimentelle data som er enkle å måle, som røntgendiffraksjon. Det hjelper videre med å designe nye materialer eller gjenbruke allerede kjente.

"Maskinlæring er et kraftig verktøy for å forutsi sammensetningen av elementer og prosess som er nødvendig for å fremstille et materiale med spesifikke egenskaper," forklarer Ryo Tamura, en seniorforsker ved NIMS som spesialiserer seg innen materialinformatikk.

En enorm mengde data er vanligvis nødvendig for å trene maskinlæringsmodeller for dette formålet. To typer data brukes. Kontrollerbare deskriptorer er data som kan velges uten å lage et materiale, for eksempel de kjemiske elementene og prosessene som brukes til å syntetisere det. Men ukontrollerbare deskriptorer, som røntgendiffraksjonsdata, kan bare oppnås ved å lage materialet og utføre eksperimenter på det.

"Vi utviklet en effektiv eksperimentell designmetode for mer nøyaktig å forutsi materialegenskaper ved å bruke deskriptorer som ikke kan kontrolleres," sier Tamura.

Tilnærmingen innebærer undersøkelse av et datasett med kontrollerbare deskriptorer for å velge det beste materialet med målegenskapene som skal brukes for å forbedre modellens nøyaktighet. I dette tilfellet forhørte forskerne en database med 75 typer polypropylener for å velge en kandidat med spesifikke mekaniske egenskaper.

De valgte deretter materialet og hentet ut noen av dets ukontrollerbare deskriptorer, for eksempel røntgendiffraksjonsdata og mekaniske egenskaper.

Disse dataene ble lagt til det nåværende datasettet for å bedre trene en maskinlæringsmodell som bruker spesielle algoritmer for å forutsi et materiales egenskaper ved å bruke bare ukontrollerbare deskriptorer.

"Vårt eksperimentelle design kan brukes til å forutsi eksperimentelle data som er vanskelige å måle ved å bruke data som er enkle å måle, og akselerere vår evne til å designe nye materialer eller gjenbruke allerede kjente, samtidig som kostnadene reduseres," sier Tamura. Prediksjonsmetoden kan også bidra til å forbedre forståelsen av hvordan et materiales struktur påvirker spesifikke egenskaper.

Teamet jobber for tiden med å optimalisere tilnærmingen sin ytterligere i samarbeid med kjemikalieprodusenter i Japan.

Mer informasjon
Ryo Tamura
Nasjonalt institutt for materialvitenskap (NIMS)
E-post: tamura.ryo@nims.go.jp

Om vitenskap og teknologi for avanserte materialer: Metoder (STAM-metoder)

STAM Methods er et søstertidsskrift med åpen tilgang for Science and Technology of Advanced Materials (STAM), og fokuserer på fremvoksende metoder og verktøy for å forbedre og/eller akselerere materialutvikling, som metodikk, apparater, instrumentering, modellering, high-through put-data innsamling, materialer/prosessinformatikk, databaser og programmering. https://www.tandfonline.com/STAM-M

Dr. Yoshikazu Shinohara
STAM Methods Publishing Director
E-post: SHINOHARA.Yoshikazu@nims.go.jp

Pressemelding distribuert av Asia Research News for Science and Technology of Advanced Materials.

Tema: Sammendrag av pressemelding
kilde: Vitenskap og teknologi for avanserte materialer
Sektorer: Vitenskap og nanoteknologi
https://www.acnnewswire.com

Fra Asia Corporate News Network

Copyright © 2021 ACN Newswire. Alle rettigheter forbeholdes. En divisjon av Asia Corporate News Network.

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