טכניקות למידת מכונות לחיזוי מהיר של הכחשות חומרית ופורוסיות

רשתות נילי ולמידה עמוקה

(ב) אדריכלות למידה עמוקה עולה כאשר נתונים גדולים זמינים (אלפיים למיליונים של דגימות) ותכונות יש ממדיות גבוהה, כגון תמונות של מיקרו-מבנה או וקטורים מורכבים.FLT:0 רשתות עצביות מתקדמות קדימה ל-GearsFLT:1 (בשכבות מחוברות ישירות) יכולות ללמוד פונקציות שרירותיות שניתנו מספיק נוירונים נסתרים ואימון נתונים.

שיטות אנסמבל

שילוב מודלים מרובים משפר את הדיוק והיציבות כאחד:0BigingFLT:1 (למשל, יער אקראי) מפחית את השחלות; FLT:2boostingFLT 3: 3 (למשל, XGBoost, LightGBM, CatBoost) מקטין את ההטיה על ידי שגיאות תיקון ערך במדע, לעתים קרובות ממזג נתונים זעירים (Facte) מ-Damscercerics) אלגוריתמים שונים.

איסוף נתונים והנדסת תכונות

האיכות והרלוונטיות של נתוני האימון קובעים ישירות את ביצועי החיזוי.מקורות כוללים:

• (FLT:0) מסדי נתונים Experimental:FreaLT:1) מאגרי מזון כמו פרויקט החומרים, AFLOW, ו- Citrine Informatics מספקים ערכים צפיפות עבור אלפי תרכובות אורגניות. פומפוש נתונים מפוזרים יותר, לעתים קרובות מגיע מן הספרות על קרמיקה, קצף מתכתי, ופולימרים.
• (FLT:0) ניסויים ב-High-באמצעות חישוב:FLT:1Buildatorial synthesis ואופיון אוטומטי לייצר נתונים גדולים המקשרים את הרכב, פרמטרים עיבוד, ונכסים נמדדים.
• (FLT:0) ⁇ simulations: FLT:1 דינמיקה מולקולרית או מודלים של שלב שדה יכול להוסיף נתונים ניסיוניים, במיוחד עבור אבולוציה של פורוזיות במהלך חטא או איחוד.

(FLT:0) הנדסה אפית'ר (FLT:1) הופכת נתונים גולמיים לחיזויים אינפורמטיביים. קטגוריות מפתח של תכונות עבור צפיפות וחיזוי פורוזיות כוללות:

• (FLT:0Chemicalקומפוזיציה: FLT:1 שבריר אלמנטלית, מספר אטומי, אלקטרוגנטיות, רדיוס אטומי, ספירת אלקטרון valence.
• (ב) טמפרטורות:0) טמפרטורות:0 (הדגשה: 1), לחץ, זמן אחזקה, קצב קירור, אווירה (חמצן, אינרציה).
• (FLT:0Microstructural descriptors: FIRLT:1 גרגר גודל, שבריר שלב, התפלגות גודל, צניעות (הארכה מניתוח תמונה).

טכניקות נפוצות:0 (נורמליזציה: 1) (דירוג גבוה או z-score) מבטיח שכל התכונות לתרום באותה מידה; FLT:2 ניתוח רכיב עיקרי (PCA) igital 3 מקטין את המימדיות תוך שמירה על השחלות; FLT:4 תבוסה לבחירה:5 (recursive Eliminative Dislementive או Lasso Regression) או הסרת אי-התאמה מחדש של מוטציות, או ביטולים (Fundizations Regress) או ביטולים).

מודל אימון ואימות

צינור אימונים חזק הוא חיוני לתחזיות אמינות.זרימת העבודה הסטנדרטית כוללת:

1. (ב) התפלגות נתונים:0) פיצול: 1 70–80% לאימון, השאר לבדיקות.התמ"ג של סטרטציה משמרת את חלוקת ערכי היעד.
2. (FLT:0Cross-validation: 1 ⁇ ) כפל (בדרך כלל 5 או 10) או עזיבה של אחד מחוץ לקרוסלה (LOOCV) עבור נתונים קטנים מאוד.זה נותן הערכה ריאלית של ביצועי מודל על נתונים לא נראים.
3. (FLT:0) Hyperparameter כוונון: חיפוש רשתי 1 , חיפוש אקראי, או אופטימיזציה Bayesian מזהה את השילוב הטוב ביותר של פרמטרים מודל (למשל, מספר העצים ביער אקראי, שיעור למידה ב XGBoost, עומק אדריכלות ברשתות עצביות).
4. (FLT:0) Performance metrics:FLT:1 פירושו טעות מוחלטת (MAE), שורש פירושו טעות מרובע (RMSE), R-squared (R2), ואחוז פירושו טעות מוחלטת (MAPE) הם נפוצים.

Overfitting הוא סיכון תכוף, במיוחד עם נתונים קטנים. טכניקות סדירות (L1 / L2 עונשים, ירידה ברשתות עצביות) והפסקת מוקדם למנוע את הפחתת הריון. אימות על נתונים עצמאיים או באמצעות מדידות ניסיוניות חיצוניות הוא המבחן האולטימטיבי של כלליות.

יישומים בפיתוח חומרים

ההשפעה המעשית של צפיפות מהירה וחיזוי פורוזיות כבר גלויה על פני תחומים מרובים:

• (FLT:0) אור משקל מורכב: FLT:1 Machine Learning מדריך את העיצוב של מרוכבים פולימרים עם צפיפות נמוכה וכוח ספציפי גבוה על ידי אופטימיזציה של תוכן מלא ופיזור.
• (FLT:0) חומרי בידוד אטומיים: FIRLT:1 , נפיחות חיזוי מסייע לפתח אווירגליל קצף עם מוליכות תרמית נמוכה במיוחד תוך שמירה על שלמות מבנית.
• (FLT:0) קרמיקה של קרמיקה עבור סינון: המחשה: תחזיות נפיחות גבוהה של נפיחות גבוהה מאפשרות גידולי פונקטיביים יעילים לממירים קטליטיים או מסננים מים.
• (FLT:0) אלקטרודות חומר: FLT:1 אלקטרודה פורוזיות משפיעה באופן משמעותי על תחבורה יון וצפיפות אנרגיה; מודלים של ML יכולים להציע ארכיטקטורות אלקטרודה אשר מאזן את הירוכיות ואת יציבות מכנית.
• ייצור:0 (Additive Manufacturing: 1) תחזית זמן אמת של צפיפות חלק במהלך הדפסה תלת-ממדית מאפשרת התאמות פרמטר תהליך להפחית פגמים ולשפר את האיכות.

כל יישום היתרונות ממהירות ה-ML: מה שהיה פעם לקחת שבועות של משפט וטרור יכול להתבצע כעת תוך דקות על ידי בדיקת ספריות וירטואליות של יצירות ותנאי עיבוד.

שיטות עתידיות וטכנולוגיות מתפתחות

העברה ו- Multi-Task Learning

כאשר צפיפות או נתונים של נקבוביות מוגבלת למשפחה חומרית חדשה, העברת תכונות למידה של מידע מ- Dataset הקשורה כדי להגביר את הביצועים. Multi-task למידה צופה תכונות מרובות (למשל, צפיפות, Modulus, מוליכות תרמית של יאנג) בו-זמנית, תוך מינוף ייצוגים משותפים.

רשתות ניברס

שילוב חוקים פיזיים (למשל, שימור המונים, מגבלות תרמודינמיקה) לתוך תפקוד אובדן משפר את עקביות החיזוי ואת יכולת ההדבקה.פיזיקה-מודע רשתות עצביות (PINNs) יכול לייצר מפות צפיפות פיזית הסתברות אפילו באזורים עם נתוני אימון דלילים.

למידה פעילה וניסויים אוטומטיים

אלגוריתמי למידה פעילים בוחרים באופן יצירתי את הניסויים המודיעיניים ביותר לביצוע, צמצום מספר המדידות הדרושות. גישה זו היא בעלת ערך במיוחד כאשר כל ניסוי הוא יקר, כגון בסינתזה בלחץ גבוה או חומרים מיוחדים קטנים.

הסברה AI

הבנת מדוע מודל צופה צפיפות מסוימת או פורוזיות הוא קריטי עבור קבלה מדעית.SHapley Additive exPlanations (SHAP) וההסברים הבין-עתידיים המקומיים (LIME) מספקים ציונים חשובים, חושף אילו גורמים לרכיבה או עיבוד המשפיעים ביותר על התפוקה.זה עוזר לאמת התנהגות מודל ומציע מנגנונים פיזיים.

(ב) לקריאה נוספת על שיטות מודרניות אלה, ראה:0 (הסקירה של הטבע על למידת מכונה בחומרים מדעת'ר (D) 1 לקבלת פרספקטיבה רחבה, או לחקור את פרויקט FLT:2Materials ProjectFLT 3 עבור מסדי נתונים פתוחים מודלים לפני אימון, לדוגמה מעשי של הנדסה ומודלים מודולים ניתן למצוא בתיעוד למידה מפורט של 7LTs:5T) עבור שיטות מתקדמות של מדפסות עבור שיטות עיבוד מפורטות של 7.

מסקנה

למידת מכונה הפכה לבעלת ברית חזקה בחיזוי מהיר של צפיפות חומרית ופודוזיות. על ידי בחירת אלגוריתמים מתאימים - החל מתגובה פשוטה ללמידה עמוקה ורכבים - מהנדסים ומדענים יכולים להחליף ניסויים איטיים וסימולציות עם הערכות כמעט בלתי שפויות.הצלחה תלויה בריפוי נתונים זהירים, הנדסה תכונה מחושבת, ואימות קפדני.