Maschinelles Lernen für Materialdesign

Ein neuer Ansatz kann ein maschinelles lernmodell trainieren, ähm Die Eigenschaftsen materials nur anhand von daten Vorherzusagen, Die durche Einfache Messungen Gewonnen Wurden war im Vergeil zu Derzeit Verwendeten Methoden Zeit und Geld Spart. Der Ansatz Wurde von Forschern des japanischen Nationalseinrichtungen für materielle Wellenschacht, Asahi Kasei Corp., Mitsubishi Chemical Corp. und Mitsui Chemicals Inc. Entwickelt. und Sumitomo Chemical Co. Ltd. und Berichtet in der Fachzeschrift “Wissenschaft und Technologie fortschrittlicher Materialien: Methoden”. Ein neuer Ansatz kann ein maschinelles Lernmodell trainieren, um die Eigenschaften eines Materials zu vorherigen, indem nur Daten durch einfache Messungen erhalten werden, Zeit und Zeit sparen und sparen und Zeit sparen und die Eigenschaften eines Materials verwenden Geld im Vergleich zu den derzeit verwendeten Methoden. Der Ansatz wurde von Forschern des Japans National Institute for Materials Science, Asahi Kasei Corp., Mitsubishi Chemical Corp., Mitsui Chemicals Inc. und Sumitomo Chemical Co. Ltd. entworfen und in der Journal „Science and Science and Science“ Technologie fortschrittlicher Materialien: Methoden. “ „Maschinelles Lernen ist ein leistungsstarkes Instrument zur Vorhersage der Zusammensetzung von Elementen und dem Prozess, das zur Herstellung eines Materials mit bestimmten Eigenschaften erforderlich ist“ Für diesen Zweck benötigt, um maschinelles Lernmodelle zu trainieren. Zwei Arten von Daten werden verwendet. Steuerbare Deskriptoren sind Daten, die ohne Material wie die chemischen Elemente und Prozesse ausgewählt werden können, die zur Synthese verwendet werden. Aber unkontrollierbare Deskriptoren wie Röntgenstrahlen Beugungsdaten können nur durch Durchführen des Materials und durch Durchführung von Experimenten erhalten werden. Der neue Ansatz kann schwer zu messende experimentelle Daten wie Zugmodul unter Verwendung von leicht zu messen experimentellen Daten wie Röntgenbeugung vorhersagen. Diese Röntgenbeugung. Diese Beugung. Diese Beugung. Weiter hilft weiter, neue Materialien zu entwickeln oder bereits bekannt zu werden. Mit freundlicher Genehmigung von „Wissenschaft und Technologie fortschrittlicher Materialien: Methoden“ „Wir haben ein effektives Expe entwickelt Rimententwurfsmethode, um die Materialeigenschaften mithilfe von Deskriptoren genauer vorherzusagen, die nicht kontrolliert werden können “, sagte Tamura. Der Ansatz beinhaltet die Untersuchung eines Datensatzes steuerbarer Deskriptoren, um das beste Material mit den Zieleigenschaften auszuwählen, um die Genauigkeit des Modells zu verbessern. In diesem Fall haben die Wissenschaftler eine Datenbank mit 75 Arten von Polypropylen befragt, um einen Kandidaten mit spezifischen mechanischen Eigenschaften auszuwählen. Die Forscher wählten dann das Material aus und extrahierten einige seiner unkontrollierbaren Deskriptoren-beispielsweise seine Röntgenbeugungsdaten und mechanische Eigenschaften. Diese Daten wurden dem vorliegenden Datensatz hinzugefügt, um ein Modell für maschinelles Lernen besser zu trainieren, bei dem spezielle Algorithmen verwendet werden, um die Materialeigenschaften nur mit unkontrollierbaren Deskriptoren vorherzusagen. “Unser experimentelles Design kann verwendet werden, um schwer zu messende experimentelle Daten mit einfach zu messenen Daten vorherzusagen, unsere Fähigkeit zu beschleunigen, neue Materialien zu entwerfen oder bereits bekannte zu reduzieren und gleichzeitig die Kosten zu senken”, sagte Tamura. Die Vorhersagemethode kann auch dazu beitragen, das Verständnis der Struktur eines Materials auf bestimmte Eigenschaften zu verbessern. Das Team arbeitet daran, den Ansatz in Zusammenarbeit mit chemischen Herstellern in Japan weiter zu optimieren. Weitere Informationen erhalten Sie von Tamura unter tamura.ryo@nims.go.jp. – Researchsea/Asia Research News