שימוש ב Deep Learning כדי לשפר את התחזיות של נכסים חומריים בהנדסה מדעית חומרית

הנדסה מדעית חומרית עומדת בצומת של פיזיקה, כימיה וחדשנות תעשייתית.היכולת לחזות נכסים חומריים במדויק היא יסוד לתכנון מטוסים קלים, ⁇ חזק יותר, סוללות יעילות יותר, והשתלות רפואיות מסורתיות עמידות מסתמכות רבות על ניסויים פיזיים וסימולציות חישוביות, שניהם יכולים להיות יקרים וזמניים. בשנים האחרונות, למידה עמוקה התפתחה ככלי טרנספורמטיבי שיכול להאיץ חיזויים אלה, המאפשרים לחוקרים חישוביים מעמיקים של חומרים מתקדמים.

הצורך בחיזוי נכסים

החל ממרחב ועד אלקטרוניקה צרכנית, כל יישום מתקדם תלוי בחומרים עם מאפיינים מכוונים בדיוק. מהנדסים דורשים נתונים אמינים על כוח מכני, מוליכות תרמית, התנגדות חשמלית ויציבות כימית.יצירת נתונים כאלה באמצעות שיטות קונבנציונליות פירושה ניסויים מעבדה ארוכים או סימולציות חישוביות באמצעות תאוריה פונקציונלית בצפיפות (DFT) או סימולציה מולקולרית. סימולציה אלה, בעוד מדויק, דורשים חישובית אפילו עבור מערכות קטנות.

יסודות למידה עמוקה למדע חומרים

מודלים למידה עמוקה ממנפים רשתות עצביות מרובות-שכבות כדי ללכוד מערכות יחסים מורכבות, לא לינאריות בין תכונות קלט ותכונות מטרה. בהקשר של חומרים, קלטות יכולות לנוע בין יצירות אלמנטליות פשוטות לקואורדינטות אטומיות מלאות ומבנים אג"ח.כוח הלמידה העמוקה טמונה ביכולתו להוציא באופן אוטומטי ייצוגים היררכיים, לחסל את הצורך בממריצים ידניים.

אדריכלות רשת נילי

כמה ארכיטקטורות למידה עמוקות הוכיחו יעילות עבור תחזית נכסים חומרים:

אימון על חומרים

(המודלים ללמידה עמוקה לחומרים דורשים נתונים גדולים ואיכותיים של נכסים ידועים.התצוואה הציבורית כגון:0Materials ProjectcioFLT:1, TheFLT:2NISTatomic פוטנציאליים RepositoryFLT 3:0;0.10.17, ו-FLT:4 OpenKIMFLT:5 לספק מיליוני נכסים מאומנים בדרך כלל עם תכונות למידה מרובות.

אתגרים נתונים במדעי החומרים

צוואר בקבוק משמעותי ללמידה עמוקה בחומרים הוא זמינות נתונים.בניגוד לתחומים כגון ראיית מחשב, שבו מיליוני תמונות מתוייגות קל להשיג, חומרים נתונים הם לעתים קרובות ספארי ו heterogeneous. תכונות רבות דורשות חישובים DFT יקרים כי לא ניתן בקנה מידה ללא הגבלת זמן, נתונים ניסיוני נאסף בתנאים שונים, מציג רעש וחוסר עקביות.

בנוסף, מאמצים סטנדרטיים של פורמטי נתונים ו metadata הם דרך יוזמות כמו המעבדה:0NOMAD LabFLT:1 . כמו שיטות מדע פתוחות לצבור מתח, מאגר של נתונים הכשרה זמין ממשיך לגדול, ומאפשר מודלים חזקים יותר ובאופן כללי יותר.

יישומים מרכזיים של למידה עמוקה בחיזוי נכסים חומריים

למידה עמוקה הוחלפה על מגוון רחב של תכונות חומריות, מכמויות בסיסיות של קוונטים ברמת אינדיקטורים ביצועים מאקרוסקופיים. להלן הם חלק מאזורי היישום המשפיעים ביותר.

תכונות מכניות

חיזוי מודולולי גמיש, כוח התשואות, קשיחות היא חיונית לחומרים מבניים.מודלים למידה עמוקה מאומן על הרכב ועל מבנה גבישי נתונים יכולים להעריך תכונות אלה בתוך דקות, החלפת ימים של בדיקות.לדוגמה, GNNs יכול לחזות את המודולים העיקריים של גבישים מעוקבים עם שגיאות מוחלטות קרוב דיוק DFT. יכולת זו מאפשרת הקרנה גבוהה של ⁇ s חדשים משקל עבור חלקי רכב או כלי חיתוך קשיח.

תכונות אלקטרוניות ו-thermal Properties

פער Band, קבוע דיאלקטרי, ו מוליכות תרמי הם הפרמטרים העיקריים עבור מוליכים למחצה וחומרים תרמואלקטריים.מודלים למידה עמוקה על תיאוריים מסורתיים כמו סולם אלקטרוליטנטיות פולינג בחיזוי פערי להקה מהקומפוזיציה לבד.ההתנהגות התרמומית, אשר תלוי אינטראקציות פוניון, כבר מודל באמצעות גישות מבוססות גרפי כי חשבון עבור דינמיקת ליטי.

פעילות כימית ויציבות

הבנת האופן שבו חומרים מידרדרים או מגיבים הוא חיוני עבור זרזים ואלקטרודות סוללה. למידה עמוקה יכולה לחזות אנרגיות של מודעות על פני השטח על ידי למידה מאלפי חישובים DFT.מודלים כמו FLT:0CG CNNFLT:1 (Crystal Graph Convolutional Neural Network) שימשו לחיזוי אנרגיות ויציבות על פני מסד הנתונים הקריסטלי אורגני זה עוזר לזהות חומרים תרמודינמית וסביר להניח להיות יציבים כדי להיות יציבים.

מקרה מחקרים

כמה קבוצות מחקר פרסמו הצלחות בולטות.דוגמה היא התגלית של חומרים חדשים של סוללות ליתיום-יון (Lethium-ion) חוקרים בסטנפורד ו-MIT השתמשו בלמידה עמוקה למסך מעל 100,000 יצירות מועמדים למתח גבוה ויציבות, צמצום למטה ל קומץ אשר מאוחר יותר אומתו באופן ניסיוני. מקרה נוסף הוא החיזוי של חומרים סופר-קשיד חדשים: GNN מאומן על תרכובות קיימות של טונגסט, אשר מאוחר יותר, חומר אולטרה-טרנטילעת, אשר היה מאוחר יותר, אשר היה חומר אולטרה-טרנטילעת.

בתחום ⁇ גבוהה, למידה עמוקה אפשרה תחזית מהירה של כללי היווצרות שלב, המנחה את העיצוב של ⁇ עם כוח יוצא דופן והתנגדות קורוזיה. דוגמאות אלה ממחישות את ההשפעה המעשית של למידה עמוקה בחדשנות חומרית מאיצה.

אתגרים נוספים: אי-אפשרות ומחסור בנתונים

למרות עוצמתה הנבאטית, למידה עמוקה היא לעתים קרובות ביקורת כקופסא שחורה.במדע החומרים, הבנתם (FLT:0) מדוע FLT:1 מודל הופך חיזוי מסוים חיוני להשגת תובנה מדעית ובניית אמון.טכניקות כגון משקל תשומת לב בטרנספורמציות, ערכי SHAP, ו ⁇ משולבים מותאמים למודלים.

מחסור בנתונים נשאר נושא מתמשך.פתרון מבטיח אחד הוא השימוש במודלים ניוניים, כגון autoencoders ו רשתות ניווניות של יריבים, להציע מבנים גבישיים היפותטיים חדשים. מבנים אלה ניתן להעריך על ידי מודלים למידה עמוקה פונדקאית, המאפשרים צינורות גילוי וירטואלי. גישה נוספת היא לשלב מגבלות פיזיות ישירות לתוך הפונקציה אובדן, כגון שימור אנרגיה או סימטריה בתוך השחלות, אשר להפחית את כמות של הכשרה נתונים הדרושים.

כיוונים עתידיים ואינטגרציה

התחום נע לכיוון פלטפורמות משולבות המשלבות למידה עמוקה עם חישוב גבוה באמצעות חישוב וניסוי אוטומטי.מעבדות "עצמיות נהיגה" כאלה יכולות לעצב, לסנתז, לאפיין חומרים אוטונומיים. Deep Learning משמש המוח המנתח תוצאות ומציע את הניסוי הבא. גישה זו סגורה-פרלופ כבר הוכיחה הצלחה בקידוד חומרים מחלחלים אור וצילומים.

גבול נוסף הוא רב-נאמנות מודלים, שבו למידה עמוקה מאומנת הן על נאמנות נמוכה (אך פחות מדויקת) ונתוני נאמנות גבוהה (מחדש אך מדויק) זה יכול להפחית באופן דרמטי את עלות החיזוי תוך שמירה על דיוק.בנוסף, אי הוודאות במודלים למידה עמוקה צוברת תשומת לב, שכן חומרים זקוקים לאבטחה עבור יישומים קריטיים כמו רכיבי אוויר.

הפיתוח של נתונים גדולים יותר, מגוונים יותר והופעת מודלים בסיסיים עבור חומרים - אנלוגי למודלי שפה גדולים - עשוי להאיץ עוד התקדמות ארגונים כמו FLT:0Materials Data FacilityFLT:1 הם עושים משאבים כאלה זמין. כמו חומרה ממשיכה לשפר, מודלים הכשרה על מיליוני חומרים יהפכו לשגרה, פתח את הדלת ליכולות חיזוי חסרות תקדים.

מסקנה

למידה עמוקה הופכת במהירות לכלי חיוני בהנדסה מדעית חומרית.על ידי מתן תחזיות מהירות ומדויקות של תכונות מכניות, אלקטרוניות ותרמיות, היא עוזרת לחוקרים לנווט את המרחב העיצובי העצום של חומרים חדשים, בעוד אתגרים נשארים - במיוחד באיכות נתונים, פרמטריות ועלות חישובית - מחקר מתמשך ומאמץ קהילתי מטפלות הם מטפלות בהתמדה.הסינרגיה בין למידה עמוקה לחומרים מדעיים מבטיח לספק חומרים חדשניים לאנרגיה נקייה, אלקטרוניקה, ואלקטרוניקה, ולהוביל בסופו של טכנולוגיות חיוניות, ומניעה, ובסופו של טכנולוגיות, היא, כדי לא רק כדי לאמץ אותם, ולאמץ, אלא גם כן, אלא גם כן, ולאמץ, אלא גם כן, אלא גם חומרים טכנולוגיים, כדי לאמץ אותם.