Malzeme tasarımı için makine öğrenimini iyileştirme

TSUKUBA, Japonya, 30 Eylül 2021 – (ACN Newswire) – Yeni bir yaklaşım, yalnızca basit ölçümlerle elde edilen verileri kullanarak bir malzemenin özelliklerini tahmin etmek için bir makine öğrenme modelini eğitebilir ve şu anda kullanılanlara kıyasla zamandan ve paradan tasarruf sağlayabilir. Japonya Ulusal Malzeme Bilimi Enstitüsü (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals ve Sumitomo Chemical Co.'daki araştırmacılar tarafından tasarlandı ve Science and Technology of Advanced Materials: Methods dergisinde rapor edildi.

Yeni yaklaşım, X-ışını kırınımı gibi ölçülmesi kolay deneysel verileri kullanarak, çekme modülü gibi ölçülmesi zor deneysel verileri tahmin edebiliyor. Ayrıca yeni malzemelerin tasarlanmasına veya halihazırda bilinenlerin yeniden kullanılmasına yardımcı olur.

NIMS'de malzeme bilişimi alanında uzmanlaşan kıdemli araştırmacı Ryo Tamura, "Makine öğrenimi, belirli özelliklere sahip bir malzeme üretmek için gereken öğelerin bileşimini ve süreci tahmin etmek için güçlü bir araçtır" diye açıklıyor.

Bu amaç için makine öğrenimi modellerini eğitmek için genellikle çok büyük miktarda veriye ihtiyaç duyulur. İki tür veri kullanılır. Kontrol edilebilir tanımlayıcılar, kimyasal elementler ve onu sentezlemek için kullanılan süreçler gibi bir materyal oluşturmadan seçilebilen verilerdir. Ancak X-ışını kırınım verileri gibi kontrol edilemeyen tanımlayıcılar, yalnızca malzemenin yapılması ve üzerinde deneyler yapılmasıyla elde edilebilir.

Tamura, "Kontrol edilemeyen tanımlayıcıları kullanarak malzeme özelliklerini daha doğru bir şekilde tahmin etmek için etkili bir deneysel tasarım yöntemi geliştirdik" diyor.

Yaklaşım, modelin doğruluğunu artırmak için kullanılacak hedef özelliklere sahip en iyi malzemeyi seçmek amacıyla kontrol edilebilir tanımlayıcılardan oluşan bir veri kümesinin incelenmesini içerir. Bu durumda bilim adamları, belirli mekanik özelliklere sahip bir aday seçmek için 75 çeşit polipropilenden oluşan bir veritabanını sorguladılar.

Daha sonra malzemeyi seçtiler ve kontrol edilemeyen bazı tanımlayıcılarını (örneğin, X-ışını kırınım verileri ve mekanik özellikleri) çıkardılar.

Bu veriler, yalnızca kontrol edilemeyen tanımlayıcıları kullanarak bir malzemenin özelliklerini tahmin etmek için özel algoritmalar kullanan bir makine öğrenimi modelini daha iyi eğitmek için mevcut veri kümesine eklendi.

Tamura, "Deneysel tasarımımız, ölçülmesi kolay verileri kullanarak ölçülmesi zor deneysel verileri tahmin etmek için kullanılabilir, yeni malzemeler tasarlama veya halihazırda bilinenleri yeniden kullanma yeteneğimizi hızlandırırken maliyetleri düşürür" diyor. Tahmin yöntemi ayrıca bir malzemenin yapısının belirli özellikleri nasıl etkilediğinin anlaşılmasına da yardımcı olabilir.

Ekip şu anda Japonya'daki kimyasal üreticileriyle işbirliği yaparak yaklaşımlarını daha da optimize etmek için çalışıyor.

Daha fazla bilgi
ryo tamura
Ulusal Malzeme Bilimi Enstitüsü (NIMS)
E-posta: tamura.ryo@nims.go.jp

İleri Malzemelerin Bilimi ve Teknolojisi Hakkında: Yöntemler (STAM Yöntemleri)

STAM Methods, Science and Technology of Advanced Materials (STAM) dergisinin açık erişimli kardeş dergisidir ve metodoloji, aparat, enstrümantasyon, modelleme, yüksek verimli veri gibi malzeme geliştirmelerini iyileştirmek ve/veya hızlandırmak için ortaya çıkan yöntemlere ve araçlara odaklanır. toplama, materyaller/süreç bilişimi, veri tabanları ve programlama. https://www.tandfonline.com/STAM-M

Yoshikazu Shinohara
STAM Methods Yayın Direktörü
E-posta: SHINOHARA.Yoshikazu@nims.go.jp

Asia Research News for Science and Technology of Advanced Materials tarafından dağıtılan basın açıklaması.

Konu: Basın bülteni özeti
Kaynak: İleri Malzemelerin Bilimi ve Teknolojisi
Sektörler: Bilim ve Nanoteknoloji
https://www.acnnewswire.com

Asya Kurumsal Haber Ağından

Telif Hakkı © 2021 ACN Newswire. Her hakkı saklıdır. Asia Corporate News Network'ün bir bölümü.

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