Izboljšanje strojnega učenja za oblikovanje materialov

TSUKUBA, Japonska, 30. september 2021 – (ACN Newswire) – A new approach can train a machine learning model to predict the properties of a material using only data obtained through simple measurements, saving time and money compared with those currently used. It was designed by researchers at Japan’s National Institute for Materials Science (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals, and Sumitomo Chemical Co and reported in the journal Science and Technology of Advanced Materials: Methods.

Novi pristop lahko napove eksperimentalne podatke, ki jih je težko izmeriti, kot je natezni modul, z uporabo eksperimentalnih podatkov, ki jih je enostavno izmeriti, kot je rentgenska difrakcija. Nadalje pomaga pri oblikovanju novih materialov ali predelavi že znanih.

“Machine learning is a powerful tool for predicting the composition of elements and process needed to fabricate a material with specific properties,” explains Ryo Tamura, a senior researcher at NIMS who specializes in the field of materials informatics.

Za usposabljanje modelov strojnega učenja za ta namen je običajno potrebna ogromna količina podatkov. Uporabljata se dve vrsti podatkov. Deskriptorji, ki jih je mogoče nadzorovati, so podatki, ki jih je mogoče izbrati brez izdelave materiala, kot so kemični elementi in postopki, uporabljeni za njihovo sintezo. Toda nenadzorovane deskriptorje, kot so podatki rentgenske difrakcije, je mogoče pridobiti samo z izdelavo materiala in izvajanjem poskusov na njem.

“We developed an effective experimental design method to more accurately predict material properties using descriptors that cannot be controlled,” says Tamura.

The approach involves the examination of a dataset of controllable descriptors to choose the best material with the target properties to use for improving the model’s accuracy. In this case, the scientists interrogated a database of 75 types of polypropylenes to select a candidate with specific mechanical properties.

Nato so izbrali material in izluščili nekaj njegovih nenadzorovanih deskriptorjev, na primer njegove podatke o rentgenski difrakciji in mehanske lastnosti.

This data was added to the present dataset to better train a machine learning model employing special algorithms to predict a material’s properties using only uncontrollable descriptors.

“Our experimental design can be used to predict difficult-to-measure experimental data using easy-to-measure data, accelerating our ability to design new materials or to repurpose already known ones, while reducing the costs,” says Tamura. The prediction method can also help improve understanding of how a material’s structure affects specific properties.

Ekipa trenutno dela na nadaljnji optimizaciji svojega pristopa v sodelovanju s proizvajalci kemikalij na Japonskem.

Nadaljne informacije
Ryo Tamura
Nacionalni inštitut za znanost o materialih (NIMS)
e-naslov: tamura.ryo@nims.go.jp

O znanosti in tehnologiji naprednih materialov: metode (STAM metode)

STAM Methods je odprto dostopna sestrska revija za znanost in tehnologijo naprednih materialov (STAM) in se osredotoča na nastajajoče metode in orodja za izboljšanje in/ali pospeševanje razvoja materialov, kot so metodologija, aparatura, instrumentacija, modeliranje, visokokakovostni podatki zbiranje, gradiva/procesna informatika, baze podatkov in programiranje. https://www.tandfonline.com/STAM-M

Dr. Yoshikazu Shinohara
Direktor založbe STAM Methods
e-naslov: SHINOHARA.Yoshikazu@nims.go.jp

Sporočilo za javnost, ki ga distribuira Asia Research News za znanost in tehnologijo naprednih materialov.

Tema: Povzetek sporočila za javnost
vir: Znanost in tehnologija naprednih materialov
sektorji: Znanost in nanotehnologija
https://www.acnnewswire.com

Iz Azije Corporate News Network

Copyright © 2021 ACN Newswire. Vse pravice pridržane. Podružnica Asia Corporate News Network.

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