NIMS، Asahi Kasei، Mitsubishi Chemical، Mitsui Chemicals و Sumitomo Chemical از چارچوب پلت فرم مواد شیمیایی باز برای توسعه تکنیک‌های هوش مصنوعی استفاده کرده‌اند که می‌تواند دقت پیش‌بینی‌های مبتنی بر یادگیری ماشینی خواص مواد (مانند استحکام، شکنندگی) را با استفاده مؤثر از مواد افزایش دهد. داده های ساختاری تنها از تعداد کمی آزمایش به دست آمده است. این تکنیک می تواند توسعه مواد مختلف از جمله پلیمرها را تسریع بخشد.
تحقیقات انفورماتیک مواد از مدل‌های یادگیری ماشین برای پیش‌بینی خواص فیزیکی مواد مورد علاقه بر اساس ترکیب و پارامترهای پردازش (مانند دما و فشار) استفاده می‌کند. این رویکرد توسعه مواد را تسریع کرد. هنگامی که مشخص شود که خواص فیزیکی مواد پس از پردازش به شدت تحت تأثیر ریزساختار آنها قرار می گیرد، دقت پیش بینی خواص مدل را می توان با گنجاندن داده های مربوط به ریزساختار (مانند پراش پرتو ایکس (XRD) و دیفرانسیل به طور موثر بهبود بخشید. اسکن داده های کالریمتری (DSC) در آن. با این حال، این نوع داده ها را می توان تنها از طریق تجزیه و تحلیل واقعی مواد پردازش شده به دست آورد. علاوه بر این تحلیل‌ها، بهبود دقت پیش‌بینی نیازمند پارامترهای از پیش تعریف‌شده (مثلا ترکیبات مواد) است.
این تیم تحقیقاتی یک تکنیک هوش مصنوعی را توسعه دادند که می‌تواند ابتدا نامزدهای بالقوه امیدوارکننده را برای مواد تولید انتخاب کند و سپس با استفاده از XRD، DSC و سایر داده‌های اندازه‌گیری به‌دست‌آمده از تعداد کمی از مواد سنتز شده، به‌طور دقیق خواص فیزیکی آنها را پیش‌بینی کند. این تکنیک مواد نامزد را با استفاده از بهینه‌سازی بیزی و روش‌های دیگر انتخاب می‌کند و فرآیند انتخاب مبتنی بر هوش مصنوعی را تکرار می‌کند، در حالی که داده‌های اندازه‌گیری را در مدل‌های یادگیری ماشین گنجانده است. برای آزمایش اثربخشی این روش، گروه از آن برای پیش‌بینی خواص فیزیکی پلی اولفین‌ها استفاده کردند. در نتیجه، مشخص شد که این تکنیک دقت پیش‌بینی مواد مدل‌های یادگیری ماشین را با مجموعه‌ای کوچک‌تر از نمونه‌های مواد سنتز شده در مقایسه با روش‌هایی که در آن مواد کاندید به‌طور تصادفی انتخاب می‌شوند، بهبود می‌بخشد.
استفاده از این تکنیک برای بهبود دقت پیش‌بینی می‌تواند به درک عمیق‌تری از رابطه بین ساختارهای مواد و خواص فیزیکی کمک کند، که مطالعه علل ریشه‌ای خواص مواد و فرمول‌بندی دستورالعمل‌های مؤثرتری برای توسعه مواد را تسهیل می‌کند. علاوه بر این، انتظار می رود این تکنیک برای توسعه طیف گسترده ای از مواد علاوه بر پلی اولفین ها و سایر پلیمرها قابل استفاده باشد، بنابراین تبدیل دیجیتال (DX) در توسعه مواد را ترویج می کند.
این مطالعه در نسخه آنلاین منتشر شده است علم و فناوری مواد مدرن: روش ها.
نقل قول: توسعه یک تکنیک جهانی و دقیق پیش‌بینی هوش مصنوعی حتی با تعداد کمی آزمایش (2021، 10 دسامبر)، بازیابی شده در 10 دسامبر 2021 از https://phys.org/news/2021-12-versatile-accurate -ai -تکنیک- small.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هرگونه معامله منصفانه به منظور تحقیق یا مطالعه خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوا فقط برای مقاصد اطلاعاتی ارائه شده است.
[ad_2]
مقالات مشابه
- The Secret کد به مواد شیمیایی. مال شما، کاملا رایگان... واقعا
- بخش سوم مربی فوتبال در مرخصی بیش از جورج فلوید تظاهرات جیر
- اخراج آتلانتا افسر پلیس گرت Rolfe به اتهام جنایت قتل در اثر تیراندازی در Rayshard بروکس
- Finding betting edges in these two NBA openers
- درآمد نتایج: Facebook سهام رالی به عنوان فصلنامه نتایج به راحتی بالا نمای خیابان
- ترفند های زندگی و خانه داری - زندگی آگاهانه
- سابرینا Ionescu را 33-نقطه سنگ به اندازه کافی برای حمل آزادی
- 'فلش' بازیگر لوگان Williams, 16 درگذشت از مواد مخدر مصرف بیش از حد مادر نشان می دهد
- NBA پیش نویس 2020, رایگان آژانس در تاریخ آمده به تمرکز
- چه Aaron Boone را 'خلاق' یانکی ها تبادل طرح به نظر می رسد مانند