مهندسی علوم مواد در تقاطع فیزیک، شیمی و نوآوری صنعتی قرار دارد.توانایی پیش بینی خواص مواد به درستی برای طراحی هواپیماهای سبک تر، آلیاژهای قوی تر، باتری های کارآمد تر و ایمپلنت های پزشکی با دوام است که رویکردهای سنتی به شدت بر آزمایش های فیزیکی و شبیه سازی های محاسباتی متکی است، که هر دو می توانند گران و زمان فشرده باشند، یادگیری عمیق به عنوان یک ابزار تحول یافته است که می تواند محققان را قادر به بررسی این مواد دقیق از طریق تجزیه و تحلیل دقیق از این تصاویر و تحلیل دقیق و تحلیل کند، چگونه پیش بینی های دقیق از تصاویر مواد اولیه و تحلیل دقیق از تصاویر مواد اولیه و تحلیل دقیق و تحلیل دقیق، این شیوه های اطلاعاتی، هر دو هزار کاربر، و جزئیات دقیق، و تحلیل دقیق، و بررسی این شیوه های دقیق، هر دو روش های دقیق، و بررسی چگونگی سرعت می تواند به بررسی این شیوه های دقیق از طریق تصاویر، هر دو روش های دقیق، هر دو روش های دقیق، و روش های دقیق، هر دو کاربر را به بررسی چگونگی سرعت، هر دو روش های محاسباتی، هر دو روش های کامپیوتری، هر دو روش های کامپیوتری، هر دو روش های پیچیده، هر دو روش های پیچیده، هر دو روش های پیچیده، هر دو روش های کامپیوتری، هر دو روش های دقیق، هر دو روش های پیچیده

نیاز به پیش بینی دقیق املاک

از هوافضا گرفته تا الکترونیک مصرف کننده، هر برنامه پیشرفته بستگی به مواد با ویژگی های دقیق تنظیم شده دارد. مهندسان نیاز به داده های قابل اعتماد در مورد قدرت مکانیکی، هدایت حرارتی، مقاومت الکتریکی و ثبات شیمیایی تولید چنین داده ها از طریق روش های معمول شانه به معنی آزمایش های آزمایشگاهی طولانی یا شبیه سازی محاسباتی با استفاده از تئوری عملکردی (DFT) یا دینامیک مولکولی دارند، در حالی که دقیق است، حتی خواستار سیستم های کوچک هستند که به سرعت اطلاعات محاسباتی گسترده ای از طریق برش داده های تجربی و یا مواد تجربی را می آموزند.

اصول یادگیری عمیق برای علوم مواد

مدل های یادگیری عمیق از شبکه های عصبی چند لایه برای جذب روابط پیچیده و غیر خطی بین ویژگی های ورودی و خواص هدف استفاده می کنند.در زمینه مواد، ورودی ها می توانند از ترکیب های ساده عنصری گرفته تا مختصات اتمی و ساختارهای پیوند کامل باشند.قدرت یادگیری عمیق در توانایی آن برای استخراج خودکار نمایندگی های سلسله مراتبی، از بین بردن نیاز به دست های غیر توصیف شده است.

معماری شبکه عصبی

چندین معماری یادگیری عمیق برای پیش بینی اموال مواد موثر بوده است:

  • شبکه های متصل کامل (FCNs): مناسب برای داده های زبانه مانند بردارهای ویژگی مبتنی بر ترکیب، آنها ساده هستند، اما نیاز به مهندسی دقیق ویژگی دارند.
  • شبکه های عصبی تکامل یافته (CNNs): کاربردی به ساختارهای کریستالی دوره ای که به عنوان شبکه های 3D یا گراف ها نمایندگی می شوند. سی ان ها همبستگی فضایی محلی را ثبت می کنند.
  • شبکه های عصبی Graph (GNNs): یک مناسب طبیعی برای مواد، به عنوان بلورها با اتم به عنوان گره ها و اوراق قرضه به عنوان لبه یاد می گیرند از توپولوژی و متغیرهای به عملیات تقارن.آنها در حال حاضر حالت هنر برای بسیاری از وظایف پیش بینی اموال هستند.
  • ترجمه و مکانیزم های توجه [FLT 1]: به تازگی برای مواد سازگار، این مدل ها می توانند تعاملات بلند مدت و مقیاس به مجموعه داده های بزرگ را ثبت کنند.

آموزش داده های مواد

آموزش مدل های یادگیری عمیق برای مواد نیاز به داده های بزرگ و با کیفیت بالا از خواص شناخته شده [[ویرایش] مواد نیاز دارد ، پتانسیل های انتقال چند منظوره را بهبود می بخشد و : OpenIM [مدل یادگیری به طور معمول استفاده از یک پلت فرم داده های چند منظوره آموزش داده ها برای محاسبه اموال و اعتبار بخش های چند نفره است.

چالش های داده در علوم مواد

تنگنا قابل توجه برای یادگیری عمیق در مواد در دسترس بودن داده ها است، بر خلاف دامنه هایی مانند دید کامپیوتر، که میلیون ها تصویر برچسب شده آسان به دست آوردن، داده های مواد اغلب کم رنگ و ناهمگن هستند، بسیاری از خواص نیاز به محاسبات گران قیمت DFT دارند که نمی توانند به طور نامحدود مقیاس شوند، علاوه بر این داده های تجربی تحت شرایط مختلف جمع آوری شده، معرفی سر و عدم تناقض برای حل این مسائل، محققان توسعه یافته اند:

  • تقویت داده: ایجاد ساختارهای کریستالی مصنوعی با استفاده از عملیات تقارن یا پارامترهای شبکه اختلال.
  • یادگیری فعال : به طور غریزی انتخاب نقاط داده آموزنده ترین به برچسب، کاهش تعداد محاسبات گران قیمت مورد نیاز است.
  • یادگیری ترجمه ؛ پیش از آموزش یک مدل بر روی یک مجموعه داده منبع بزرگ (به عنوان مثال، انرژی های تشکیل دهنده) و با دقت در یک مجموعه داده کوچک تر هدف (به عنوان مثال، شکاف های گروهی).

علاوه بر این، تلاش برای استاندارد سازی فرمت های داده و متادیس از طریق ابتکاراتی مانند آزمایشگاه انجام می شود، زیرا شیوه های علمی باز به دست آوردن کشش، استخر داده های آموزش در دسترس همچنان رشد می کند، و مدل های قوی تر و عمومی تر را قادر می سازد.

برنامه های کلیدی یادگیری عمیق در پیش بینی مالکیت مواد

یادگیری عمیق به طیف گسترده ای از خواص مواد، از مقادیر بنیادی کوانتومی سطح به شاخص های عملکرد ماکروسکوپی اعمال شده است.در زیر برخی از مناطق موثر ترین کاربرد است.

خواص مکانیکی

پیش بینی moduli، قدرت عملکرد و سختی برای مواد ساختاری بسیار مهم است. مدل های یادگیری عمیق آموزش دیده در ترکیب و داده های ساختار کریستالی می توانند این خواص را در عرض چند دقیقه تخمین بزنند، به عنوان مثال، GNN ها می توانند پیش بینی کنند که چگونه توده های بلورهای مکعب با به معنای خطاهای مطلق نزدیک به دقت DFT. این قابلیت را قادر می سازد تا غربالگری بالا و خروجی از آلیاژهای جدید برای قطعات سبک وزن یا ابزار برش سخت تر.

خواص الکترونیکی و حرارتی

شکاف باند، ثابت دی الکتریک و هدایت حرارتی پارامترهای کلیدی برای نیمه هادی ها و مواد حرارتی الکتریکی است. مدل های یادگیری عمیق از توصیف های سنتی مانند مقیاس الکترونی پلینگ در پیش بینی شکاف های باند از هدایت حرارتی تنها، که بستگی به تعاملات فونون، با استفاده از رویکردهای مبتنی بر گراف که برای پویایی شبکه پیش بینی می کنند، مدل شده است.

واکنش شیمیایی و ثبات

درک اینکه چگونه مواد کاهش یافته یا واکنش برای کاتالیزورها و الکترودهای باتری ضروری است. یادگیری عمیق می تواند انرژی های جذب را بر سطوح کاتالیزور با یادگیری از هزاران محاسبات DFT پیش بینی کند. مدل هایی مانند CGCNN (شبکه عصبی تکامل یافته) برای پیش بینی انرژی های تشکیل و ثبات در سراسر مواد ثابت که به احتمال زیاد به این ساختار پایدار کمک می کنند، استفاده شده است.

مطالعات موردی

چندین گروه تحقیقاتی موفقیت های قابل توجه را منتشر کرده اند.یک مثال کشف مواد جدید باتری لیتیوم یون است. محققان در استنفورد و MIT از یادگیری عمیق برای نمایش بیش از 100،000 ترکیب کاندیدای برای ولتاژ بالا و ثبات استفاده کردند، که به تعداد انگشت شماری که بعدا به صورت تجربی تأیید شدند، محدود شد. مورد دیگر پیش بینی مواد فوق العاده سخت جدید است: GNN آموزش دیده در ترکیبات موجود تنگستن پیش بینی شده است که بعدا به عنوان یک ماده قابل تایید شده است.

در قلمرو آلیاژهای با انحنا بالا، یادگیری عمیق پیش بینی سریع قوانین تشکیل فاز را فعال کرده است، هدایت طراحی آلیاژهای با قدرت استثنایی و مقاومت در برابر خوردگی.این مثال ها نشان دهنده تاثیر عملی یادگیری عمیق در تسریع نوآوری مواد است.

چالش های آینده: Interprettibility و Data Scarcity

علی رغم قدرت پیش بینی شده، یادگیری عمیق اغلب به عنوان یک جعبه سیاه در علوم مواد مورد انتقاد قرار می گیرد، درک ] چرا یک مدل پیش بینی خاص را برای به دست آوردن بینش علمی و اعتماد به نفس ساخت تکنیک های توجه مانند وزن توجه در ترانسفورماتورها، مقادیر SHAP و گرادیان یکپارچه سازگار با مدل های مواد است، به عنوان مثال، که می تواند سرنخ های مربوط به ساختار نفوذ الکترونیکی را نشان دهد.

کمبود داده ها همچنان یک مسئله مداوم است.یک راه حل امیدوار کننده استفاده از مدل های عمومی مانند autoencoders و شبکه های عمومی مجاور است، برای پیشنهاد ساختارهای کریستالی فرضی جدید، این ساختارها می توانند توسط مدل های یادگیری عمیق ارزیابی شوند، که امکان کشف خطوط لوله مجازی را فراهم می کند. روش دیگر این است که محدودیت های فیزیکی را به طور مستقیم به عملکرد، مانند حفاظت از انرژی، مانند مقدار متغیر در داده های مورد نیاز برای کاهش داده های مورد نیاز، ترکیب کند.

مسیر های آینده و ادغام

این زمینه به سمت سیستم عامل های یکپارچه حرکت می کند که یادگیری عمیق را با محاسبات با ولتاژ بالا و آزمایش خودکار ترکیب می کند. چنین آزمایشگاه های "خود راننده" می توانند طراحی، سنتز و مشخص کردن مواد به صورت خودکار انجام دهند. یادگیری عمیق به عنوان مغز است که نتایج را تجزیه و تحلیل می کند و نشان می دهد که این روش حلقه بسته در حال حاضر موفقیت در بهینه سازی مواد نوری و مواد عکس العمل های عکس را نشان داده است.

مرز دیگر مدل سازی چندجانبه است، که در آن یادگیری عمیق در هر دو کم تعادل (چاپ اما دقیق تر) و داده های با رضایت بالا (قابل توجه اما دقیق) آموزش دیده است، این می تواند به طور چشمگیری کاهش هزینه پیش بینی اموال در حالی که دقت حفظ می کند، علاوه بر این، عدم اطمینان در مدل های یادگیری عمیق توجه به دست آوردن، زیرا مهندسان مواد نیاز به فواصل اطمینان برای کاربردهای حیاتی مانند هوافضا دارند.

توسعه داده های بزرگتر، متنوع تر و ظهور مدل های پایه برای مواد - مشابه مدل های زبان بزرگ - ممکن است پیشرفت بیشتری داشته باشد.سازمان هایی مانند تسهیلات داده داده ها چنین منابعی را در دسترس قرار می دهند.همانطور که سخت افزار همچنان به بهبود می رود، مدل های آموزشی در میلیون ها مواد عادی می شوند، باز کردن درب به قابلیت های پیش بینی نشده.

نتیجه گیری

یادگیری عمیق به سرعت در حال تبدیل شدن به یک ابزار ضروری در مهندسی علوم مواد مواد است که با فعال کردن پیش بینی های سریع و دقیق از خواص مکانیکی، الکترونیکی و حرارتی، محققان کمک می کند تا فضای طراحی گسترده مواد جدید را هدایت کنند، در حالی که چالش ها همچنان ادامه دارند - به ویژه در کیفیت داده ها، تفسیر و هزینه محاسباتی - تحقیقات مداوم و تلاش های جامعه به طور پیوسته به آنها توجه می کنند.