導入事例

物質密度と気孔率を迅速かつ正確に予測することは、現代の材料科学の礎です。 これらの2つの特性は、機械的強度、断熱、音響の弱み、透磁率、および重量に直接影響を及ぼし、航空宇宙の複合体から生体医学の足場まで、それらに重要な適用をします。 従来のアプローチは、広範な実験的テストや、時間のかかる高価である第一原則シミュレーションに依存しています。 機械学習(ML)は、既存のデータからパターンを学ぶことで、正確なモデルを予測し、正確なモデルを予測し、正確なモデルを生成し、正確な測定および測定を予測することができます。

素材の密度と気孔性を理解する

[材料密度]は、単位の量(g/cm3またはkg/m3)あたりの質量として定義されます。 これは、コンポーネントの体重を決定し、buoyancy、特定の強度、およびコストに影響を及ぼします。 構造合金では、高密度は、多くの場合、航空宇宙や自動車設計で望ましくない高強度と相関するが、より高負荷で、それは一般的には、低負荷および低負荷の能力が、低負荷の低負荷で、低負荷の低負荷、低負荷、低負荷の低負荷、低負荷、低負荷、低負荷の低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低

これらの特性を伝統的に測定することは、ピクノメトリー、アーキメド法、ガス吸着(BET)、または水銀侵入気孔を含みます。 これらの技術は正確ですが遅く、物理的な標本を必要とします。 フィニト元素分析や分子動などの計算方法は、特性を予測することができますが、重要な計算リソースと材料構造の事前知識を要求します。 マシン学習は、入力機能をマッピングして出力値に直接機能し、候補や組成条件の処理の数千の迅速なスクリーニングを可能にすることにより、これらのボトルネックを横に並べます。

プロパティ予測のための機械学習技術

回帰モデル

密度と気孔率は、連続した数値値であるため、回帰アルゴリズムは自然な選択です。 []Linear回帰]は、機能とターゲット間の線形関係を仮定して、単純なベースラインを提供します。 これは解釈可能ですが、多くの場合、非線形相互作用を持つ複雑な材料に不規則な影響があります。 サポートベクトル回帰 (SVR)は、特性を非線形に保つために、カーネル関数を使用して、さまざまな種類の材料を[FLT]と、さまざまな種類の異なる特性を生成し、異なる特性を予測します。 [FLT]:]

神経ネットワークとディープラーニング

大規模なデータセットが利用可能(数千万のサンプル)と機能が、微細構造や複合組成ベクトルの画像などの高次元性を有する場合に、DeepNN学習アーキテクチャがExcelを出力します。 []フェドフォワードニューラルネットワーク](十分に接続された層)は、十分な神経隠し方やトレーニングデータを含む任意の機能を学ぶことができます。 構造体内壁面のネットワーク(CNN[FLT:])])は、構造体内面の形状や形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の形状の

組み立て方法

複数のモデルを組み合わせることにより、精度と安定性が向上します。 ]Bagging (例えば、ランダムな森) は、分散性を低下させます。 [boosting (例えば、XGBoost、LightGBM、CatBoost) は、順次修正エラーによって偏差を低減します。 マテリアルサイエンスでは、特定の方法でメタグラムを生成するような方法では、他のモデルに変形するかどうかを予測します。 [FLTFLT:] は、SARFALTF] は、SARFARFARFARFのアルゴリズムが、SARFALTの動作するかどうかを予測します。 [FALTFALTFALTF] は、SARFALTFALTは、SARFALTFALTFALTFALTは、SARFALTは、SARFALTは、Sのパラメータは、SALTFALTは、SALTのパラメータは、SALTは、SALTの異なるモデル

データ収集と機能工学

トレーニングデータの品質と関連性は、予測性能を直接決定します。 ソースには、

  • 実験データベース:[材料プロジェクト、AFLOW、およびCitrine Informaticsなどの硬化リポジトリは、無機化合物の何千もの密度値を提供します。 多孔質セラミック、金属発泡体、ポリマーに関する文献から頻繁に、気化したデータ。
  • []高スループット実験:[ 結合合成と自動特性化により、組成物、処理パラメータ、測定特性をリンクする大きなデータセットが生成されます。
  • :]] 分子動体または相フィールドモデリングは、特に焼結または凝固中に気孔率の進化のために、実験的なデータを補うことができます。

機能工学]]は、生データを有益な予測者に変換します。 密度と気孔率予測のための機能の主なカテゴリは次のとおりです。

  • 化学組成:]元素分数、原子数、電気陰性、原子半径、静脈電子数。
  • ] 処理条件:]] 温度、圧力、保持時間、冷却速度、大気(酸化、インサート)。
  • 構造記述子:[ 粒径、相差、気孔径分布、音度(画像解析から抽出)。

一般的な技術: [normalization (min-maxスケーリングまたはzスコア) は、すべての機能が均等に貢献することを確認します。 [ 主成分分析(PCA)[]]] は、分散を維持しながら寸法を低下させます。 選択 (再帰的除去またはラス回帰) または再帰還) または再帰還性が、一般的な再構成が改善されます。

モデル トレーニングと検証

堅牢なトレーニングパイプラインは、信頼性の高い予測に不可欠です。標準ワークフローには、以下が含まれます。

  1. データ分割:]70〜80%のトレーニング、テストの残りの部分。 強化されたサンプリングは、ターゲット値の分布を保持します。
  2. [:] k-fold(典型的に5または10)または1アウトの交差検証(LOOCV)を非常に小さなデータセットに残します。 これは、予期しないデータにモデル性能の現実的な推定を与えます。
  3. []]Hyperparameter tuning:[[グリッド検索、ランダム検索、またはBayesian最適化は、モデルパラメータの最良の組み合わせを識別します(例えば、ランダムな森の樹木数、XGBoostの学習率、ニューラルネットワークのアーキテクチャ深さ)。
  4. [ 性能メトリック:[ は絶対的なエラー(MAE)、根は四角のエラー(RMSE)、R-squared(R2)、およびパーセンテージの平均絶対エラー(MAPE)が一般的です。 気孔率予測のために、R2は一般的に信頼性を考慮するモデルの0.85を超えるべきです。

過度の影響は、特に小さなデータセットで頻繁にリスクです。正規化技術(L1/L2ペナルティ、ニューラルネットワークのドロップアウト)と早期停止の助けは、記憶を防止します。独立したデータセットまたは外部実験測定を介して検証することは、汎用性の究極のテストです。

素材開発の応用

急速な密度および気孔率の予測の実用的な影響は複数のドメインで既に見られます:

  • 軽量コンポジット:]] マシンラーニングは、フィラーコンテンツと分散を最適化することにより、高密度および高比強度のポリマーマトリックス複合体の設計を導いた。
  • 熱絶縁材:[]])気孔率予測は、構造の完全性を維持しながら、超低熱伝導性でエアロゲルと泡を開発するのに役立ちます。
  • :ろ過用多孔質セラミックス: 正確な気孔率予測により、孔径をチューニングすることで、効率的な触媒コンバーターや水フィルターが行えます。
  • 電池電極:] 電極孔率はイオン輸送とエネルギー密度を大幅に影響します。 MLモデルは、気孔率と機械的安定性のバランスをとる電極アーキテクチャを提案することができます。
  • 添加剤製造:]]3D印刷時の部分密度のリアルタイム予測により、欠陥を減らし、品質を向上させるプロセスパラメータ調整が可能。

各アプリケーションはMLの速度で恩恵を受ける: 試行錯誤の週を取るために使用したものは、組成物や加工条件の仮想ライブラリをスクリーニングすることにより、数分で達成することができる。

未来の方向と新興技術

転送とマルチタスク学習

密度や気孔率データが新しい素材ファミリーに限られている場合、学習再利用機能を関連データセットから学習してパフォーマンスを向上させる。マルチタスク学習では、複数のプロパティ(例えば、密度、ヤング率、熱伝導)を同時に予測し、共有表現を活用します。

物理情報情報情報ネットワーク

物理的な法律(例、大量保存、熱力学的制約)を損失機能に組み込むことで、予測の一貫性と余分能力が向上します。物理情報情報情報に基づいたニューラルネットワーク(PINN)は、スパースのトレーニングデータを持つ地域でも物理的に可塑性密度マップを生成できます。

アクティブラーニングと自動実験

アクティブラーニングアルゴリズムは、必要な測定回数を減らす、最も有益な実験を反復的に選択します。このアプローチは、各実験が高圧力合成や小ロットの専門材料など、コストがかかる場合に特に価値があります。

説明可能なAI

モデルが特定の密度や気孔率を予測する理由を理解することは、科学的受諾にとって不可欠です。 SHapley Additive exPlanations(SHAP)とLocal Interpretable Model-agnostic Explanations(LIME)は、その構成要素または処理因子を最も影響する機能的重要度スコアを提供し、モデルの動作を検証し、物理的なメカニズムを示唆するのを助けます。

これら近代的な方法のさらなる読み方については、材料科学の機械学習に関するこの自然レビューを参照してください。 または、 の材料プロジェクト[]を参照してください。 開いたデータベースと事前訓練されたモデル。 機能工学とモデルの選択の実用的な例は、]]で見つけることができます 。 これらは、最後に、LTFLTF]の詳細なツールを提供しています。 [FLTF]の詳細なチュートリアルは、 [FLT:[FLT:]を参照してください。 [FLT:[F]。 [FLT:]:[F]:[F]:[F]の詳細なチュートリアル]:[F]:[FLT:[F]:[F]:[FLT:[F]:[F]:[F]:[F]:[FLT:[FLT:[F]:[F]:[F]:[F]:[F]:[F]:[FLT:[F]:[F]:[FLT:[F]:[F]:[FLT

コンテンツ

マシンラーニングは、材料密度と気孔率の急速な予測で強力に成長しています。簡単な回帰からディープラーニングとアンサンブルまで、適切なアルゴリズムを選択することで、エンジンと科学者は、実験の遅い時間とシミュレーションを、ほぼ無限の推定値に置き換えることができます。 慎重にデータキュレーション、思考力のある機能工学、および厳格な検証に成功する成功。 学習、物理情報モデル、および説明可能なAI、精度、および信頼性が向上し、多岐にわたる材料の予測を促進し、さらには、より一層の機能を向上します。