Покращення машинного навчання для проектування матеріалів

ЦУКУБА, Японія, 30 вересня 2021 – (ACN Newswire) – Новий підхід може навчити модель машинного навчання прогнозувати властивості матеріалу, використовуючи лише дані, отримані шляхом простих вимірювань, заощаджуючи час і гроші порівняно з тими, що використовуються зараз. Він був розроблений дослідниками з Японського національного інституту матеріалознавства (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals і Sumitomo Chemical Co. Про це повідомляється в журналі Science and Technology of Advanced Materials: Methods.

Новий підхід може передбачити експериментальні дані, які важко виміряти, такі як модуль розтягування, використовуючи такі легко вимірювані експериментальні дані, як рентгенівська дифракція. Крім того, це допомагає розробляти нові матеріали або перепрофілювати вже відомі.

«Машинне навчання є потужним інструментом для прогнозування складу елементів і процесу, необхідного для виготовлення матеріалу з певними властивостями», — пояснює Рьо Тамура, старший науковий співробітник NIMS, який спеціалізується в галузі інформатики матеріалів.

Щоб навчити моделі машинного навчання для цієї мети, зазвичай потрібна величезна кількість даних. Використовуються два типи даних. Контрольовані дескриптори — це дані, які можна вибрати без створення матеріалу, наприклад хімічні елементи та процеси, які використовуються для їх синтезу. Але неконтрольовані дескриптори, як-от дані рентгенівської дифракції, можна отримати лише шляхом виготовлення матеріалу та проведення на ньому експериментів.

«Ми розробили ефективний експериментальний метод планування для точнішого прогнозування властивостей матеріалу за допомогою дескрипторів, які неможливо контролювати», — каже Тамура.

Цей підхід передбачає перевірку набору даних керованих дескрипторів, щоб вибрати найкращий матеріал із цільовими властивостями для використання для підвищення точності моделі. У цьому випадку вчені дослідили базу даних із 75 типів поліпропіленів, щоб вибрати кандидата з певними механічними властивостями.

Потім вони вибрали матеріал і витягли деякі з його неконтрольованих дескрипторів, наприклад, дані рентгенівської дифракції та механічні властивості.

Ці дані було додано до поточного набору даних, щоб краще навчити модель машинного навчання, використовуючи спеціальні алгоритми для прогнозування властивостей матеріалу, використовуючи лише неконтрольовані дескриптори.

«Наш експериментальний дизайн можна використовувати для прогнозування експериментальних даних, які важко виміряти, використовуючи дані, які легко виміряти, що прискорює нашу здатність розробляти нові матеріали або перепрофілювати вже відомі, одночасно знижуючи витрати», — каже Тамура. Метод прогнозування також може допомогти покращити розуміння того, як структура матеріалу впливає на конкретні властивості.

Наразі команда працює над подальшою оптимізацією свого підходу у співпраці з виробниками хімікатів у Японії.

Додаткова інформація
Рьо Тамура
Національний інститут матеріалознавства (NIMS)
Ел. пошта: tamura.ryo@nims.go.jp

Про науку та технології сучасних матеріалів: методи (методи STAM)

STAM Methods є дочірнім журналом з відкритим доступом Science and Technology of Advanced Materials (STAM), який зосереджується на нових методах та інструментах для вдосконалення та/або прискорення розробки матеріалів, таких як методологія, апаратура, прилади, моделювання, високопрохідні дані. збір, інформатика матеріалів/процесів, бази даних та програмування. https://www.tandfonline.com/STAM-M

Доктор Йошиказу Сінохара
Директор видавництва STAM Methods
Ел. пошта: SHINOHARA.Yoshikazu@nims.go.jp

Прес-реліз розповсюджений Asia Research News for Science and Technology of Advanced Materials.

Тема: Підсумок прес-релізу
джерело: Наука і технологія перспективних матеріалів
Сектори: Наука та нанотехнології
https://www.acnnewswire.com

Від Азійської корпоративної мережі новин

Авторське право © 2021 ACN Newswire. Всі права захищені. Підрозділ Азійської корпоративної мережі новин.

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