Aprimoramento do aprendizado de máquina para design de materiais

TSUKUBA, Japão, 30 de setembro de 2021 – (ACN Newswire) – Uma nova abordagem pode treinar um modelo de aprendizado de máquina para prever as propriedades de um material usando apenas dados obtidos por meio de medições simples, economizando tempo e dinheiro em comparação com os usados ​​atualmente. Ele foi projetado por pesquisadores do Instituto Nacional de Ciência de Materiais do Japão (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals e Sumitomo Chemical Co e relatado na revista Science and Technology of Advanced Materials: Methods.

A nova abordagem pode prever dados experimentais difíceis de medir, como módulo de tração, usando dados experimentais fáceis de medir, como difração de raios X. Além disso, ajuda a projetar novos materiais ou a reaproveitar os já conhecidos.

“O aprendizado de máquina é uma ferramenta poderosa para prever a composição de elementos e processos necessários para fabricar um material com propriedades específicas”, explica Ryo Tamura, pesquisador sênior do NIMS especializado na área de informática de materiais.

Geralmente, é necessária uma enorme quantidade de dados para treinar modelos de aprendizado de máquina para essa finalidade. Dois tipos de dados são usados. Descritores controláveis ​​são dados que podem ser escolhidos sem a elaboração de um material, como os elementos químicos e os processos utilizados para sintetizá-lo. Mas descritores incontroláveis, como dados de difração de raios X, só podem ser obtidos fabricando o material e conduzindo experimentos com ele.

“Desenvolvemos um método de projeto experimental eficaz para prever com mais precisão as propriedades dos materiais usando descritores que não podem ser controlados”, diz Tamura.

A abordagem envolve o exame de um conjunto de dados de descritores controláveis ​​para escolher o melhor material com as propriedades alvo a ser usado para melhorar a precisão do modelo. Neste caso, os cientistas interrogaram uma base de dados de 75 tipos de polipropilenos para selecionar um candidato com propriedades mecânicas específicas.

Eles então selecionaram o material e extraíram alguns de seus descritores incontroláveis, por exemplo, seus dados de difração de raios X e propriedades mecânicas.

Esses dados foram adicionados ao presente conjunto de dados para treinar melhor um modelo de aprendizado de máquina empregando algoritmos especiais para prever as propriedades de um material usando apenas descritores incontroláveis.

“Nosso projeto experimental pode ser usado para prever dados experimentais difíceis de medir usando dados fáceis de medir, acelerando nossa capacidade de projetar novos materiais ou de reaproveitar os já conhecidos, ao mesmo tempo que reduz os custos”, diz Tamura. O método de previsão também pode ajudar a melhorar a compreensão de como a estrutura de um material afeta propriedades específicas.

A equipe está atualmente trabalhando para otimizar ainda mais sua abordagem em colaboração com fabricantes de produtos químicos no Japão.

Mais informações
Ryo Tamura
Instituto Nacional de Ciência de Materiais (NIMS)
Email: tamura.ryo@nims.go.jp

Sobre Ciência e Tecnologia de Materiais Avançados: Métodos (Métodos STAM)

STAM Methods é uma revista irmã de acesso aberto da Science and Technology of Advanced Materials (STAM), e se concentra em métodos e ferramentas emergentes para melhorar e / ou acelerar o desenvolvimento de materiais, como metodologia, aparato, instrumentação, modelagem, dados de alto rendimento coleção, materiais / informática de processo, bancos de dados e programação. https://www.tandfonline.com/STAM-M

Dr.
Diretor de Publicação de Métodos STAM
Email: SHINOHARA.Yoshikazu@nims.go.jp

Comunicado de imprensa distribuído por Asia Research News for Science and Technology of Advanced Materials.

Tópico: Resumo do comunicado à imprensa
Fonte: Ciência e Tecnologia de Materiais Avançados
Setores: Ciência e Nanotec
https://www.acnnewswire.com

Da Asia Corporate News Network

Direitos autorais © 2021 ACN Newswire. Todos os direitos reservados. Uma divisão da Asia Corporate News Network.

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