Cải thiện máy học cho thiết kế vật liệu

TSUKUBA, Nhật Bản, ngày 30 tháng 2021 năm XNUMX – (ACN Newswire) – Một cách tiếp cận mới có thể huấn luyện mô hình học máy để dự đoán các đặc tính của vật liệu chỉ sử dụng dữ liệu thu được thông qua các phép đo đơn giản, tiết kiệm thời gian và tiền bạc so với những dữ liệu hiện đang sử dụng. Nó được thiết kế bởi các nhà nghiên cứu tại Viện Khoa học Vật liệu Quốc gia Nhật Bản (NIMS), Tập đoàn Asahi KASEI, Tập đoàn Hóa chất Mitsubishi, Hóa chất Mitsui và Công ty Hóa chất Sumitomo và báo cáo trên tạp chí Khoa học và Công nghệ Vật liệu Tiên tiến: Phương pháp.

Cách tiếp cận mới có thể dự đoán các dữ liệu thực nghiệm khó đo như mô đun kéo bằng cách sử dụng dữ liệu thực nghiệm dễ đo như nhiễu xạ tia X. Nó tiếp tục giúp thiết kế các vật liệu mới hoặc sử dụng lại những vật liệu đã biết.

Ryo Tamura, nhà nghiên cứu cấp cao tại NIMS, chuyên về lĩnh vực tin học vật liệu, giải thích: “Học máy là một công cụ mạnh mẽ để dự đoán thành phần của các yếu tố và quy trình cần thiết để chế tạo vật liệu có các đặc tính cụ thể”.

Thường cần một lượng lớn dữ liệu để đào tạo các mô hình học máy cho mục đích này. Hai loại dữ liệu được sử dụng. Các bộ mô tả có thể kiểm soát là dữ liệu có thể được chọn mà không cần tạo vật liệu, chẳng hạn như các nguyên tố hóa học và quy trình được sử dụng để tổng hợp nó. Nhưng các bộ mô tả không thể kiểm soát, như dữ liệu nhiễu xạ tia X, chỉ có thể thu được bằng cách chế tạo vật liệu và tiến hành các thí nghiệm trên nó.

Tamura cho biết: “Chúng tôi đã phát triển một phương pháp thiết kế thử nghiệm hiệu quả để dự đoán chính xác hơn các đặc tính vật liệu bằng cách sử dụng các bộ mô tả không thể kiểm soát được”.

Cách tiếp cận này bao gồm việc kiểm tra tập dữ liệu mô tả có thể kiểm soát để chọn vật liệu tốt nhất có các thuộc tính mục tiêu để sử dụng nhằm cải thiện độ chính xác của mô hình. Trong trường hợp này, các nhà khoa học đã thẩm vấn cơ sở dữ liệu gồm 75 loại polypropylen để chọn ra một ứng cử viên có các đặc tính cơ học cụ thể.

Sau đó, họ chọn vật liệu và trích xuất một số mô tả không thể kiểm soát của nó, ví dụ, dữ liệu nhiễu xạ tia X và các đặc tính cơ học của nó.

Dữ liệu này đã được thêm vào tập dữ liệu hiện tại để đào tạo tốt hơn mô hình học máy sử dụng các thuật toán đặc biệt để dự đoán các đặc tính của vật liệu chỉ bằng cách sử dụng các bộ mô tả không thể kiểm soát.

Tamura cho biết: “Thiết kế thử nghiệm của chúng tôi có thể được sử dụng để dự đoán dữ liệu thử nghiệm khó đo lường bằng cách sử dụng dữ liệu dễ đo lường, tăng tốc khả năng thiết kế các vật liệu mới hoặc tái sử dụng những vật liệu đã biết, đồng thời giảm chi phí”. Phương pháp dự đoán cũng có thể giúp nâng cao hiểu biết về cách cấu trúc của vật liệu ảnh hưởng đến các đặc tính cụ thể.

Nhóm hiện đang làm việc để tối ưu hóa hơn nữa cách tiếp cận của họ với sự cộng tác của các nhà sản xuất hóa chất ở Nhật Bản.

Muốn biết thêm thông tin
Ryo Tamura
Viện Khoa học Vật liệu Quốc gia (NIMS)
Email: tamura.ryo@nims.go.jp

Về Khoa học và Công nghệ Vật liệu Tiên tiến: Phương pháp (Phương pháp STAM)

Phương pháp STAM là một tạp chí chị em truy cập mở của Khoa học và Công nghệ Vật liệu Tiên tiến (STAM) và tập trung vào các phương pháp và công cụ mới nổi để cải thiện và / hoặc tăng tốc phát triển vật liệu, chẳng hạn như phương pháp luận, thiết bị, thiết bị đo đạc, mô hình hóa, dữ liệu đưa vào thu thập, tư liệu / xử lý tin học, cơ sở dữ liệu và lập trình. https://www.tandfonline.com/STAM-M

Tiến sĩ Yoshikazu Shinohara
Giám đốc xuất bản phương pháp STAM
Email: SHINOHARA.Yoshikazu@nims.go.jp

Thông cáo báo chí được phân phối bởi Asia Research News for Science and Technology of Advanced Materials.

Chủ đề: Tóm tắt thông cáo báo chí
nguồn: Khoa học và Công nghệ Vật liệu Tiên tiến
Các ngành: Khoa học & Công nghệ nano
https://www.acnnewswire.com

Từ Mạng Tin tức Doanh nghiệp Châu Á

Bản quyền © 2021 ACN Newswire. Đã đăng ký Bản quyền. Một bộ phận của Asia Corporate News Network.

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