Ulepszanie uczenia maszynowego do projektowania materiałów

TSUKUBA, Japonia, 30 września 2021 r. – (ACN Newswire) – Nowe podejście może wytrenować model uczenia maszynowego do przewidywania właściwości materiału przy użyciu wyłącznie danych uzyskanych w drodze prostych pomiarów, oszczędzając czas i pieniądze w porównaniu z obecnie używanymi. Został zaprojektowany przez naukowców z Japońskiego Narodowego Instytutu Nauki o Materiałach (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals i Sumitomo Chemical Co, a jego raport opublikowano w czasopiśmie Science and Technology of Advanced Materials: Methods.

Nowe podejście pozwala przewidzieć trudne do zmierzenia dane eksperymentalne, takie jak moduł sprężystości przy rozciąganiu, przy użyciu łatwych do zmierzenia danych eksperymentalnych, takich jak dyfrakcja promieni rentgenowskich. Ponadto pomaga w projektowaniu nowych materiałów lub ponownym wykorzystaniu już znanych.

„Uczenie maszynowe to potężne narzędzie do przewidywania składu elementów i procesu potrzebnego do wytworzenia materiału o określonych właściwościach” – wyjaśnia Ryo Tamura, starszy pracownik naukowy w NIMS, który specjalizuje się w dziedzinie informatyki materiałowej.

Do wyszkolenia modeli uczenia maszynowego w tym celu zwykle potrzebna jest ogromna ilość danych. Stosowane są dwa rodzaje danych. Kontrolowane deskryptory to dane, które można wybrać bez tworzenia materiału, takiego jak pierwiastki chemiczne i procesy stosowane do ich syntezy. Jednak niekontrolowane deskryptory, takie jak dane dotyczące dyfrakcji promieni rentgenowskich, można uzyskać jedynie poprzez wytworzenie materiału i przeprowadzenie na nim eksperymentów.

„Opracowaliśmy skuteczną metodę projektowania eksperymentalnego, aby dokładniej przewidywać właściwości materiałów przy użyciu deskryptorów, których nie można kontrolować” – mówi Tamura.

Podejście to obejmuje badanie zbioru danych sterowalnych deskryptorów w celu wybrania najlepszego materiału o docelowych właściwościach, który można zastosować w celu poprawy dokładności modelu. W tym przypadku naukowcy przeszukali bazę danych zawierającą 75 rodzajów polipropylenów, aby wybrać kandydata o określonych właściwościach mechanicznych.

Następnie wybrali materiał i wyodrębnili niektóre z jego niekontrolowanych deskryptorów, na przykład dane dotyczące dyfrakcji rentgenowskiej i właściwości mechaniczne.

Dane te dodano do obecnego zbioru danych, aby lepiej wyszkolić model uczenia maszynowego wykorzystujący specjalne algorytmy do przewidywania właściwości materiału przy użyciu wyłącznie niekontrolowanych deskryptorów.

„Nasz projekt eksperymentalny można wykorzystać do przewidywania trudnych do zmierzenia danych eksperymentalnych przy użyciu łatwych do zmierzenia danych, co przyspieszy naszą zdolność do projektowania nowych materiałów lub zmiany przeznaczenia już znanych, przy jednoczesnym obniżeniu kosztów” – mówi Tamura. Metoda przewidywania może również pomóc w lepszym zrozumieniu wpływu struktury materiału na określone właściwości.

Zespół pracuje obecnie nad dalszą optymalizacją swojego podejścia we współpracy z producentami środków chemicznych w Japonii.

Więcej informacji
Ryo Tamura
Narodowy Instytut Nauki o Materiałach (NIMS)
E-mail: tamura.ryo@nims.go.jp

O nauce i technologii zaawansowanych materiałów: metody (metody STAM)

STAM Methods to siostrzane czasopismo Science and Technology of Advanced Materials (STAM) o otwartym dostępie, które koncentruje się na pojawiających się metodach i narzędziach do ulepszania i/lub przyspieszania rozwoju materiałów, takich jak metodologia, aparatura, oprzyrządowanie, modelowanie, dane o dużej przepustowości zbieranie, informatyka materiałów/procesów, bazy danych i programowanie. https://www.tandfonline.com/STAM-M

Dr Yoshikazu Shinohara
Dyrektor Wydawnictwa STAM Methods
E-mail: SHINOHARA.Yoshikazu@nims.go.jp

Komunikat prasowy dystrybuowany przez Asia Research News dla nauki i technologii zaawansowanych materiałów.

Temat: Podsumowanie komunikatu prasowego
Źródło: Nauka i technologia zaawansowanych materiałów
Sektory: Nauka i nanotechnologia
https://www.acnnewswire.com

Z Asia Corporate News Network

Copyright © 2021 ACN Newswire. Wszelkie prawa zastrzeżone. Oddział Asia Corporate News Network.

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