Izboljšanje strojnega učenja za oblikovanje materialov

TSUKUBA, Japonska, 30. september 2021 – (ACN Newswire) – Nov pristop lahko usposobi model strojnega učenja za napovedovanje lastnosti materiala z uporabo samo podatkov, pridobljenih s preprostimi meritvami, ter prihrani čas in denar v primerjavi s tistimi, ki se trenutno uporabljajo. Zasnovali so ga raziskovalci na japonskem Nacionalnem inštitutu za znanost o materialih (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals in Sumitomo Chemical Co ter poročali v reviji 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.

»Strojno učenje je močno orodje za napovedovanje sestave elementov in procesa, potrebnega za izdelavo materiala s specifičnimi lastnostmi,« pojasnjuje Ryo Tamura, višji raziskovalec pri NIMS, ki je specializiran za področje informatike materialov.

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.

»Razvili smo učinkovito metodo eksperimentalnega načrtovanja za natančnejše napovedovanje lastnosti materiala z uporabo deskriptorjev, ki jih ni mogoče nadzorovati,« pravi Tamura.

Pristop vključuje pregled nabora podatkov deskriptorjev, ki jih je mogoče nadzorovati, da se izbere najboljši material s ciljnimi lastnostmi, ki se uporabi za izboljšanje natančnosti modela. V tem primeru so znanstveniki preučili zbirko podatkov o 75 vrstah polipropilenov, da bi izbrali kandidata s posebnimi mehanskimi lastnostmi.

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

Ti podatki so bili dodani trenutnemu naboru podatkov za boljše usposabljanje modela strojnega učenja, ki uporablja posebne algoritme za napovedovanje lastnosti materiala z uporabo samo deskriptorjev, ki jih ni mogoče nadzorovati.

»Našo eksperimentalno zasnovo je mogoče uporabiti za napovedovanje eksperimentalnih podatkov, ki jih je težko izmeriti, z uporabo podatkov, ki jih je enostavno izmeriti, s čimer pospešimo našo sposobnost oblikovanja novih materialov ali preoblikovanja že znanih, hkrati pa zmanjšamo stroške,« pravi Tamura. Metoda napovedovanja lahko tudi pomaga izboljšati razumevanje, kako struktura materiala vpliva na določene lastnosti.

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/