- 연혁

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

재료에 대한 밀도와 효능

Material density은 단위량(g/cm3 또는 kg/m3) 당 질량으로 정의됩니다. 그것은 구성 요소의 무게를 결정하고 부력, 특정 강도 및 비용에 영향을 미칩니다. 구조용 합금에서, 고밀도는 종종 더 높은 강도와 상관 관계가 있지만, 항공 우주 또는 자동차 디자인에서 불허하지 않는 더 높은 무게를 나타냅니다. Porosity는 일반적으로 기계적 특성에 영향을 미칩니다. (예: 1)는 일반적으로, 기계적 특성과 비열성 물질의 영향에 영향을 미칩니다.

이 속성을 전통적으로 측정하는 것은 pycnometry, Archimedes 방법, 가스 흡착 (BET), 또는 mercury 침입 porosimetry. 이 기술은 정확하지만 느리고 물리적 견본을 요구합니다. finite 요소 분석 또는 분자 역동적 같은 Computational 방법은 특성 그러나 재료 구조의 중요한 컴퓨팅 리소스 및 우선 지식을 예측할 수 있습니다. 기계 학습은 입력 기능을 직접 출력 값으로 매핑하여 수천 개의 후보 구성 또는 처리 조건의 신속한 심사를 가능하게합니다.

부동산 예측을 위한 기계 학습 기술

회귀 모델

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

신경 네트워크 및 딥러닝

DeepNN은 데이터셋을 사용할 때(중량 샘플의 수백만)과 기능에는 미세구조나 복잡한 구성 벡터의 이미지와 같은 높은 차원이 있습니다. Feedforward neural network(완전히 연결된 레이어)는 arbitrary 기능을 충분히 숨겨진 신경과 교육 데이터를 습득할 수 있습니다. Convolutional neural network(CNNLT:1]][FLT:]])는 다음과 같은 구조와 구조의 형태를 나타냅니다.

Ensemble 방법

여러 모델과는 종종 정확성과 안정성을 향상 시킵니다. Bagging] (예: 무작위 숲)는 variance를 감소시킵니다. boosting (예: XGBoost, LightGBM, CatBoost)는 비교적 정확한 오류로 비스듬히 감소합니다. 자료 과학에서, 그라디언트는 스카프의 데이터와 같은 다른 모델에 대한 접근 방식이 없습니다. ]]

Data Collection 및 기능 엔지니어링

교육 데이터의 품질과 relevance는 직접 예측 성능을 결정합니다. 소스는 다음과 같습니다.

  • 실험적인 데이터베이스: 재료 프로젝트, AFLOW, Citrine Informatics와 같은 큐레이터 저장소는 수천 개의 무기 화합물에 대한 밀도 값을 제공합니다. 유공성 데이터는 더 흩어져, 종종 도자기, 금속 폼 및 폴리머에 문학에서 온.
  • 높은 투과 실험: 빗자형 합성 및 자동화 특성화는 구성, 처리 매개 변수 및 측정 속성을 연결하는 대형 데이터셋을 생성합니다.
  • Simulations: 분자의 역동적 또는 단계 필드 모델링은 실험 데이터를 보충 할 수 있습니다, 특히 소결 또는 고형화 동안 포로성 진화에 대 한.

특징 엔지니어링]는 비공식적인 예측자로 원료를 변환합니다. 밀도와 부유성 예측에 대한 주요 특징은 다음과 같습니다.

  • 화학적 구성: 원소 분수, 원자 번호, 전기, 원자 반경, 공명 전기 수.
  • 처리 조건: 온도, 압력, 유지 시간, 냉각 속도, 대기 (산화, 비활성).
  • Microstructural descriptors: 곡물 크기, 단계 분수, pore 크기 분포, tortuosity (이미지 분석에서 추출).

일반적인 기술: normalization (최소 최대 스케일링 또는 z-score)는 모든 기능을 똑같게 기여합니다; ] 주요 구성 요소 분석(PCA)]는 차이가 보존하는 동안 차원을 감소시킵니다. feature select (recursive elimination or Lasso regression)는 과도한 입력을 제거하거나, 일반화 또는 개선을 방지합니다.

모델 교육 및 검증

강력한 교육 파이프라인은 신뢰할 수있는 예측에 필수적입니다. 표준 워크플로우에는 다음과 같습니다.

  1. 데이터 분할: 70–80% 교육, 테스트에 대한 나머지. 스트레이트 샘플링 대상 값의 배포를 보존.
  2. Cross-validation: k-fold (일반적으로 5 또는 10) 또는 남측 크로스 유효성(LOOCV)는 매우 작은 데이터셋을 위한 것입니다. 이것은 unseen data에 모델 성능의 실제적인 견적을 제공합니다.
  3. Hyperparameter tuning: 그리드 검색, 임의 검색, 또는 Bayesian 최적화는 모델 매개 변수의 최고의 조합을 식별합니다 (예 : 임의 숲의 나무 수, XGBoost의 아키텍처 깊이 신경 네트워크에서 학습 속도).
  4. Performance metrics:]는 절대 오류 (MAE), 루트는 사각형 오류 (RMSE), R-squared (R2), 비율은 절대 오류 (MAPE)가 일반적이다. 포로성 예측을 위해 R2는 일반적으로 신뢰할 수 있는 모델에 대한 0.85를 초과해야 한다.

과잉은 작은 데이터셋과 더불어 빈번한 위험입니다. 정기화 기법(L1/L2 펜알리티, 신경망의 낙하) 및 초기 축소는 기억을 방지합니다. 독립적 인 데이터셋에 대한 검증 또는 외부 실험 측정을 통해 일반성의 궁극적인 시험입니다.

재료 개발의 응용

급속한 조밀도 및 porosity 예측의 실제적인 충격은 다수 도메인의 맞은편에 이미 가시적입니다:

  • 경량 복합체: 기계 학습은 필러 내용과 분산을 최적화하여 저밀도 및 고순도 강도를 가진 고분자 합성물의 디자인을 안내합니다.
  • 열 절연재: 구조의 무결성을 유지하면서 초저 열전도와 에어로젤과 폼을 개발하는 데 도움이 될 것입니다.
  • 여과용 다공성 세라믹스: 정확한 유공성 예측은 효율적인 촉매 컨버터 또는 물 필터에 대한 튜닝 포어 크기를 가능하게 합니다.
  • 배터리 전극:] 전극성은 이온 수송과 에너지 밀도에 크게 영향을 미칩니다; ML 모델은 포로성 및 기계적 안정성을 균형 전극 아키텍처를 제안할 수 있습니다.
  • Additive 제조: 3D 프린팅 중에 부품 밀도의 실시간 예측은 결함을 줄이고 품질을 개선하는 공정 매개 변수 조정을 허용합니다.

ML의 속도에서 각 응용 프로그램 혜택: 시험 및 오류의 주를 복용하는 데 사용되는 것은 이제 구성 및 처리 조건의 가상 라이브러리를 스크리닝하여 몇 분 안에 수행됩니다.

미래 지향과 Emerging 기술

전송 및 멀티 태스크 학습

밀도 또는 부유성 데이터가 새로운 재료 제품군에 제한되면 관련 데이터 세트에서 성능 향상을 돕는 이전 학습 재사용 기능을 사용합니다. 멀티 태스크 학습은 여러 속성을 예측합니다 (예 : 밀도, 젊은 계수, 열전도) 동시에 공유 표현을 활용합니다.

물리학 기반 신경 네트워크

물리적 법률(예: 대량 보존, 열역학적 제약)을 손실 기능으로 예측 일관성과 비폭력 능력을 향상시킵니다. 물리 형성된 신경망(PINNs)은 비소 교육 데이터와 함께 지역에서도 물리적으로 가용성 밀도 맵을 생성할 수 있습니다.

Active Learning 및 자동화된 실험

Active Learning 알고리즘은 가장 유익한 실험을 선택하여 필요한 측정 수를 줄입니다. 이 접근법은 각 실험이 고압 종합 또는 소형 배치 특수 재료와 같은 비용이 많이 들 때 특히 유용합니다.

설명 AI

모델이 특정 밀도 또는 유공성에 대한 중요한 것은 과학적 수용에 대한 것입니다. SHapley 첨가제 exPlanations (SHAP) 및 Local Interpretable Model-agnostic Explanations (LIME)는 구성 또는 처리 요인이 가장 산출에 영향을 미치는 특징 중요성 점수를 제공합니다. 이것은 모델 행동을 검증하고 물리적 메커니즘을 제안합니다.

이 현대 방법에 대한 자세한 내용을 보려면 ]이 자연의 검토 자료 과학] 넓은 관점에 대한, 또는 Materials Project]를 탐색하고, 개방형 데이터베이스 및 사전 훈련 모델. 기능 공학 및 모델 선택의 실제 예제는 scikit-pararn 문서 [[FLT:]]]]]에 찾을 수 있습니다. ]]]] ]]]]].

관련 기사

기계 학습은 재료 밀도와 부유성의 급속한 예측에서 강력하게되었습니다. 간단한 회귀에서 딥러닝 및 앙상블에 이르기까지 - 엔지니어 및 과학자는 거의 무한한 추정과 느린 실험 및 시뮬레이션을 대체 할 수 있습니다. 주의깊은 데이터 채도, 신중한 기능 공학 및 엄격한 검증에 성공한 경첩을 다룹니다. 이 학습을 옮기는 것과 마찬가지로, 물리 변형 모델, 그리고 설명 가능한 AI 성숙, 정확도 및 신뢰성을 고려하여 미래의 기술에 대한 더 가벼운 예측을 계속할 수 있습니다.