Улучшение машинного обучения для дизайна материалов

ЦУКУБА, Япония, 30 сентября 2021 г. – (ACN Newswire) – Новый подход может обучить модель машинного обучения предсказывать свойства материала, используя только данные, полученные с помощью простых измерений, экономя время и деньги по сравнению с теми, которые используются в настоящее время. Он был разработан исследователями из Японского национального института материаловедения (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals и Sumitomo Chemical Co и опубликован в журнале Science and Technology of Advanced Materials: Methods.

Новый подход может предсказать трудноизмеримые экспериментальные данные, такие как модуль упругости, используя простые для измерения экспериментальные данные, такие как рентгеновская дифракция. Это также помогает разрабатывать новые материалы или перепрофилировать уже известные.

«Машинное обучение - это мощный инструмент для прогнозирования состава элементов и процессов, необходимых для изготовления материала с определенными свойствами», - объясняет Рио Тамура, старший научный сотрудник NIMS, специализирующийся в области информатики материалов.

Для обучения моделей машинного обучения с этой целью обычно требуется огромный объем данных. Используются два типа данных. Управляемые дескрипторы - это данные, которые можно выбрать, не создавая материала, например химические элементы и процессы, используемые для их синтеза. Но неконтролируемые дескрипторы, такие как данные дифракции рентгеновских лучей, могут быть получены только путем изготовления материала и проведения на нем экспериментов.

«Мы разработали эффективный метод экспериментального проектирования для более точного прогнозирования свойств материала с использованием дескрипторов, которые невозможно контролировать», - говорит Тамура.

Подход включает изучение набора данных контролируемых дескрипторов, чтобы выбрать лучший материал с целевыми свойствами, который будет использоваться для повышения точности модели. В этом случае ученые опросили базу данных 75 типов полипропиленов, чтобы выбрать кандидата с определенными механическими свойствами.

Затем они выбрали материал и извлекли некоторые из его неконтролируемых дескрипторов, например, данные дифракции рентгеновских лучей и механические свойства.

Эти данные были добавлены к текущему набору данных, чтобы лучше обучить модель машинного обучения, использующую специальные алгоритмы для прогнозирования свойств материала с использованием только неконтролируемых дескрипторов.

«Наш экспериментальный план можно использовать для прогнозирования экспериментальных данных, которые трудно измерить, используя данные, которые легко измерить, что ускоряет нашу способность разрабатывать новые материалы или перенаправлять уже известные материалы, одновременно снижая затраты», - говорит Тамура. Метод прогнозирования также может помочь улучшить понимание того, как структура материала влияет на определенные свойства.

В настоящее время команда работает над дальнейшей оптимизацией своего подхода в сотрудничестве с производителями химической продукции в Японии.

Дополнительная информация
Рио Тамура
Национальный институт материаловедения (NIMS)
Эл. почта: tamura.ryo@nims.go.jp

О науке и технологии перспективных материалов: методы (методы STAM)

STAM Methods - это дочерний журнал с открытым доступом журнала Science and Technology of Advanced Materials (STAM), который фокусируется на новых методах и инструментах для улучшения и / или ускорения разработки материалов, таких как методология, аппаратура, приборы, моделирование, данные с высокой пропускной способностью. сборник, материалы / технологическая информатика, базы данных и программирование. https://www.tandfonline.com/STAM-M

Доктор Йошиказу Шинохара
Директор по издательству STAM Methods
Эл. почта: СИНОХАРА.Йошиказу@nims.go.jp

Пресс-релиз, распространенный Asia Research News for Science and Technology of Advanced Materials.

Тема: Резюме пресс-релиза
Источник: Наука и технология перспективных материалов
Отрасли: Наука и нанотехнологии
https://www.acnnewswire.com

От Азиатской сети корпоративных новостей

Авторские права © 2021 ACN Newswire. Все права защищены. Подразделение Азиатской сети корпоративных новостей.

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