Förbättra maskininlärning för materialdesign

TSUKUBA, Japan, 30 september 2021 - (ACN Newswire) - Ett nytt tillvägagångssätt kan träna en maskininlärningsmodell att förutsäga egenskaperna hos ett material genom att endast använda data som erhålls genom enkla mätningar, vilket sparar tid och pengar jämfört med de som används för närvarande. Den designades av forskare vid Japans nationella institut för materialvetenskap (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals och Sumitomo Chemical Co och rapporterades i tidskriften Science and Technology of Advanced Materials: Methods.

Det nya tillvägagångssättet kan förutsäga experimentella data som är svåra att mäta, såsom dragmodul, genom att använda experimentella data som är lätta att mäta, som röntgendiffraktion. Det hjälper ytterligare att designa nya material eller återanvända redan kända.

"Machine learning är ett kraftfullt verktyg för att förutsäga sammansättningen av element och process som behövs för att tillverka ett material med specifika egenskaper", förklarar Ryo Tamura, senior forskare vid NIMS som specialiserat sig på materialinformatik.

En enorm mängd data behövs vanligtvis för att träna maskininlärningsmodeller för detta ändamål. Två typer av data används. Kontrollerbara deskriptorer är data som kan väljas utan att göra ett material, såsom de kemiska grundämnen och processer som används för att syntetisera det. Men okontrollerbara deskriptorer, som röntgendiffraktionsdata, kan bara erhållas genom att göra materialet och utföra experiment på det.

"Vi utvecklade en effektiv experimentell designmetod för att mer exakt förutsäga materialegenskaper med hjälp av deskriptorer som inte kan kontrolleras", säger Tamura.

Tillvägagångssättet involverar granskning av en datauppsättning av kontrollerbara deskriptorer för att välja det bästa materialet med målegenskaper att använda för att förbättra modellens noggrannhet. I det här fallet förhörde forskarna en databas med 75 typer av polypropener för att välja en kandidat med specifika mekaniska egenskaper.

De valde sedan materialet och extraherade några av dess okontrollerbara deskriptorer, till exempel dess röntgendiffraktionsdata och mekaniska egenskaper.

Dessa data lades till den nuvarande datamängden för att bättre träna en maskininlärningsmodell som använder speciella algoritmer för att förutsäga ett material egenskaper med endast okontrollerbara deskriptorer.

"Vår experimentella design kan användas för att förutsäga svårmätbara experimentella data med hjälp av lättmätbara data, vilket påskyndar vår förmåga att designa nya material eller att återanvända redan kända material, samtidigt som vi minskar kostnaderna", säger Tamura. Förutsägelsemetoden kan också bidra till att förbättra förståelsen för hur ett material struktur påverkar specifika egenskaper.

Teamet arbetar för närvarande med att ytterligare optimera sitt tillvägagångssätt i samarbete med kemikalietillverkare i Japan.

Vidare information
Ryo Tamura
National Institute for Materials Science (NIMS)
e-post: tamura.ryo@nims.go.jp

Om vetenskap och teknik för avancerade material: Metoder (STAM -metoder)

STAM Methods är en systerjournal för öppen tillgång till Science and Technology of Advanced Materials (STAM), och fokuserar på framväxande metoder och verktyg för att förbättra och/eller påskynda materialutvecklingen, såsom metodik, apparater, instrumentering, modellering, data med hög genomslagskraft. samling, material/processinformatik, databaser och programmering. https://www.tandfonline.com/STAM-M

Dr Yoshikazu Shinohara
STAM Methods Publishing Director
e-post: SHINOHARA.Yoshikazu@nims.go.jp

Pressmeddelande distribuerat av Asia Research News för Science and Technology of Advanced Materials.

Ämne: Sammanfattning av pressmeddelande
Källa: Vetenskap och teknik för avancerade material
Sektorer: Science & Nanotech
https://www.acnnewswire.com

Från Asia Corporate News Network

Copyright © 2021 ACN Newswire. Alla rättigheter förbehållna. En division av Asia Corporate News Network.

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