Paghuhulaan ng mga materyal na katangian gamit ang limitadong data
Ang paraan ng pag -aaral ng makina na binuo ng IISC at mga mananaliksik ng UCL ay gumagamit ng paglilipat ng pag -aaral upang mahulaan ang mga materyal na katangian, na naglalagay ng paraan para sa mga advanced na semiconductors at mga solusyon sa pag -iimbak ng enerhiya.
Sa isang makabuluhang pagsulong para sa agham ng mga materyales, ang mga mananaliksik sa Indian Institute of Science (IISC), sa pakikipagtulungan sa University College London (UCL), ay may pag -aaral ng makina (ML) upang mahulaan ang mga materyal na katangian na may kaunting data.Ang pagbabago na ito ay nangangako upang mapabilis ang pagtuklas ng mga materyales para sa mga aplikasyon tulad ng mga semiconductors at pag -iimbak ng enerhiya.
Ang mga inhinyero ng materyales ay lalong lumingon sa ML upang mahulaan ang mga katangian tulad ng mga electronic band gaps, energies ng pagbuo, at mga mekanikal na lakas, pagpapagana ng disenyo ng mga materyales sa nobela.Gayunpaman, ang limitadong data ng pang -eksperimentong - isang resulta ng mataas na gastos sa pagsubok at mga hadlang sa oras - ay may hamon.
Tinapik ng koponan ang sagabal na ito gamit ang isang pamamaraan na tinatawag na Transfer Learning.Ang pamamaraang ito ay nag-pre-trains ng isang modelo sa isang malaking dataset at pinong-tune ito para sa isang mas maliit, tiyak na dataset.Halimbawa, ang isang modelo na sinanay upang maiuri ang mga pusa at non-cats ay maaaring maiakma upang maiuri ang tumor kumpara sa non-tumor tissue.
Ang kanilang pag-aaral ay gumagamit ng graph neural network (GNNS), isang sopistikadong arkitektura na angkop para sa mga data na nakabalangkas na tulad ng mga istrukturang kristal na 3D.Dito, ang mga atomo ay kumakatawan sa mga node, at ang mga bono ay kumakatawan sa mga gilid.Sa pamamagitan ng pag-optimize ng arkitektura ng GNN at pre-pagsasanay ang ilang mga layer habang nagyeyelo sa iba, ang mga mananaliksik ay nagtayo ng isang modelo na may kakayahang mahulaan ang mga materyal na katangian tulad ng dielectric constants at piezoelectric coefficients.
Ang kanilang multi-property pre-training (MPT) na balangkas ay pinapayagan ang modelo na matuto mula sa pitong bulk na materyal na katangian at matagumpay na mahulaan ang band gap para sa 2D na materyales-isang kakayahan na hindi malinaw na sinanay para sa.
Ito ay may hawak na pangako para sa mga praktikal na aplikasyon.Ang koponan ay ginalugad ang paggamit ng modelo sa paghula ng kadaliang mapakilos ng ion sa mga electrodes ng baterya, mahalaga para sa pagsulong ng pag -iimbak ng enerhiya.Bilang karagdagan, makakatulong ito sa mga semiconductors ng pagmamanupaktura, na nakahanay sa mga layunin ng paggawa ng semiconductor ng India.
