Introduksiyon: Isang Bagong Panahon Para sa Materyales na mga Pagtuklas

Ang malalim na pag-aaral, isang subset ng artipisyal na katalinuhan, ay muling nagreresulta sa tanawin ng agham ng materyales at inhinyeriya. sa pamamagitan ng pag-eebolb ng mga neural network na nagpoproseso ng malawak at masalimuot na mga dataset, ang mga mananaliksik ay maaari na ngayong pabilisin ang disenyo at pagtuklas ng mga makabagong materyal na may walang katulad na bilis at katumpakan.Mula sa paghula ng mga katangiang mekanikal ng mga alloy upang makapagdisenyo ng mga bagong adrog pang-edukasyon para sa malinis na enerhiya, ang malalim na pagkatuto ay nagbabago ng tradisyunal na mabagal, ang mga prosesong pagsubok-and-and-erro-a-eng proseso ay nagiging data-at-intrior sa data-scren, profluentrential productionsptionsptions.Ang artikulong ito ay tumuturing mga work flowspsptionsptionsptions.

Mga Pangunahing Bagay sa Siyensiya na Malalim Matuto

Sa gitna nito, ang malalim na pag-aaral ay gumagamit ng mga kalagayang multi-layered artipisyal na neural networks upang matuto ng mga padron mula sa datos. Sa agham na materyal, ang mga modelong ito ay sinasanay sa malalaking database ng mga materyal na istraktura, katangian, at synthesis na kondisyon. Ang mga input ay kadalasang kinabibilangan ng mga istrakturang kristalline (na kinakatawan bilang mga grap o ulap ng puntos), mga komposisyong kimikal, o mga kalkulang katangian mula sa mga unang-principle na recombination.Ang network ay nag-aaral na i-mapa ng mga input na iskemato upang ma-spsit ng mga katangiangrehika ang mga katangiang ito na katulad ng mga puwang, modukluband.

Ang Graph neural networks (GNNs) ay lalo nang naging malakas dahil sa ang mga ito ay natural na kumakatawan sa atomikong pagbubuklod at lokal na kapaligiran sa mga kristal. Ang mga convolutional neural network (CNNs) ay ginagamit din para sa mga porsye-based data mula sa microscopy o diffraction. Ang kakayahan na matuto ng masalimuot, mga hindi-linear na relasyon mula sa mga data set na na na naglalaman ng libo-libo o milyong mga entry ay nagbukas ng mga bagong posibilidad para sa paghulang pagmomodelo at disenyong genernitibo.

Mga Pangunahing Pakinabang ng Matinding Pagkatuto sa Disenyo ng Materyales

1. High- Sa pamamagitan ng Pag-aalis ng mga Ari-arian Hulaan 1.

Isa sa mga pinakaprestihiyosong aplikasyon ay ang mabilis na paghula ng mga katangiang materyal mula sa komposisyon at kayarian. Ang mga tradisyonal na pamamaraang pagkalkula tulad ng teoriyang functional ng density (DFT) ay tumpak ngunit may kahinugang halaga, nagtatakda ng pagsusuri sa libu-libong kandidato.Ang mga modelong malalim na pagkatuto ay maaaring humula ng mga katangian tulad ng enerhiyang bumubuo ng pormasyon, elastikong konstante, at istrakturang elektroniko sa mga milled. Halimbawa, ang mga Materials Graph Neural Network (MEGN) na binuo ng mga mananaliksik sa Unibersidad ng California, Berkeley, ay tumpak na nagpakita ng mga prediksiyong malawak na kristal at mga sistemang molekula [[T][T][T][0][T][T][T][T][T][T][T][T][T][T][T][T][T]

2. Design at Mahuhusay na Modelo

Sa halip na basta suriin ang umiiral na mga materyales, ang malalim na mga modelong genre gaya ng variential autoencoders (VAEs) at ang generative adversarial network (GANs) ang nagmumungkahi ng ganap na bagong kristal na mga kayarian na may ninanais na mga katangian. Ang mga modelong ito ay natututo ng saligang pamamahagi ng kilalang mga materyales at pagkatapos ay sampol mula sa espasyong iyon upang lumikha ng bagong mga materyales na pangdisenyo. Ang inverseg disenyo ay nag - uugnay sa mga propekwensiyal na propeksyon ng mga produksyon, na nagpapakita ng[T] [T]. Ang mga NT.

3. Mga Ruta ng Synthesis

Ang pagtuklas ng isang materyal na kalkulasyon ay kalahati lamang ng labanan; ang pag-iinsthesize nito sa laboratoryo ay kadalasang ang bottneck.Ang mga malalim na pag-aaral na modelo ay ginagamit ngayon upang hulaan ang mga momentang momentasyon, kabilang ang temperatura, presyon, at premise ratio. Ang mga natural na paraan ng pagproseso ng wika (NLP) ay maaaring kumuha ng mga resiping synthesis mula sa inilathalang literatura, at ang mga graph-based model na modelo ay nag-uuri ng pagiging fesibilidad ng mga iminungkahing reaksiyon. Ang pagsasamang ito ng prediksiyon at pag-eksperimento ay nagpapataas ng eksperimental na pagpapatunay ng mga bagong materyales.

4. Mga Pag - unlad sa Molekula at Krontum Chemistry Simulation

Halimbawa, ang malalalim na neural network ay maaaring magsilbing kahaliling mga modelo na tinatayang posibleng maging dahilan ng pag - e - recombinant ng enerhiya mula sa quantum mechanical data, anupat nakatutulong ang mga molekular na dynamic para sa milyun - milyong atomo ng cockifar na hindi kayang gawin ng DFT.

Mga Pakinabang ng Matinding Pagkatuto

  • [ Mga propesiya ng mga ari-arian at pagsusuri ng kandidato na minsang gumugol ng mga linggo o buwan ay maaaring matapos sa loob ng mga oras, o mga minuto pa nga.
  • Cost Reduction: Sa pamamagitan ng pagkipot ng pokus sa mga pinaka-maasang kandidato, ang malalim na pag-aaral ay lubhang nagbabawas sa bilang ng mga pisikal na eksperimento at mga mapagkukunang pang-ekonomiya na kinakailangan.
  • [xploration of Complex Spaces: Ang mga matataas na-dimensional na komposisyon at espasyo ng istraktura ay napakalaki para sa paggalugad ng intelektwal na tao.Ang malalim na pagkatuto ay mahusay na naglalayag sa mga espasyong ito, na natutuklasan ang hindi inaasahang mga materyal.
  • [1] [1] [1]] Pinatutunayan ang pagiging tumpak: May mahusay na mga dataset, ang mga malalim na modelo sa pagkatuto ay kadalasang tumutugma o lumalampas sa katumpakan ng mga klasikal na potensiyal o maging DFT para sa ilang mga katangian, habang mas mabilis na nagiging mas mabilis.
  • Integration na may Experimentation: Ang aktibong mga balangkas sa pagkatuto ay nagpapahintulot sa mga modelo na gabayan ang mga eksperimento sa tunay na panahon, pagbibisikleta sa pagitan ng prediksiyon, synthesis, at data replacement.

Mga Hamon at Bukás na mga Problema

Sa kabila ng pangako nito, ang malalim na pag - aaral sa siyensiya ng materyales ay napapaharap sa ilang hadlang na dapat asikasuhin para sa malawakang pag - aampon.

Katangian at Kaurian ng Data

Ang mataas na-quality, may tatak na datasets ay mahalaga sa pagsasanay ng matipunong mga modelo.Ang karamihan ng makukuhang datos ay mula sa mga kalkulasyon ng DFT, na naglalaman ng mga likas na aproksimasyon. ang eksperimental na datos ay kadalasang kakaunti, maingay, at nakakolekta sa ilalim ng hindi nagbabagong mga kondisyon.Ang paglikha ng malaki, pamantayang database na nagsasama ng mga kalkulasyon at eksperimental na impormasyon ay nananatiling isang pangunahing prayoridad.Ang mga rekado tulad ng Materials Project at NOMAD ay nakagawa ng malaking pagsulong, ngunit ang saklaw ng maraming mga materyal na klase ay limitado pa rin.

Madaling - Maisaalang - alang na Modelo

Ang mga malalim na modelong pagkatuto ay kadalasang "maitim na mga kahon," na ginagawang mahirap para sa mga siyentipiko na maunawaan kung bakit ang isang partikular na prediksiyon ay ginagawa. Ang kawalan ng interpretasyon ay maaaring magbawas ng tiwala, lalo na kapag nagmumungkahi ng mga kontra-intelektuwal na materyales o mga ruta ng synthesis. Ang mga pamamaraang enfluential sa pagpapaliwanag na AI (XAI), tulad ng mga mekanismong pang-impormasyon at nagtatampok ng pag-aklas, ay iniangkop para sa mga problemang materyal upang makapagbigay ng mga kabatiran kung saan ang mga atomikong katangian ng mga propeksyon ng mga katangian ng mga sasakyang pang-ibisyutika.

Pangkalahatang Pagpapakilala at Kawalang - Katiyakan

Ang mga modelong sinanay sa isang klase ng mga materyales ay kadalasang nabibigong gumawa ng pangkalahatang kahulugan sa mga kemikong nobela o mga istraktura. bukod dito, ang mga malalim na mga modelong pagkatuto ay karaniwang nagbibigay ng mga prediksiyong puntos na walang maasahang mga tantiya. kung walang walang walang katiyakang quanipikasyon, hindi makikilala ng mga mananaliksik ang pagkakaiba sa pagitan ng mga high-diagnostibo at haka-hakang mga prediksiyon. Bayesian neural network at mga paraang ensemble upang matugunan ang maikling pag-iisip na ito.

Halaga ng Pagsasanay sa Konstitusyon

Ang pagsasanay ng isang malaking modelong grap o transformer sa milyun-milyong mga materyales ay nangangailangan ng mahalagang reasyensiyal na mga mapagkukunang ekwasyon na mas madalas na mas malaki kaysa kayang bilhin ng isang akademikong laboratoryo. ulap computing at espesyal na hardware (GPUs, TPUs) ay mistitibong nagreresulta rito, ngunit ang accessabled accessabled greed worked-scale secleds at pre-trained foundic na mga modelo para sa mga materyales ay lumalabas bilang isang solusyon.

Mga Tagubilin at Pangmalas sa Hinaharap

Ang larangan ay mabilis na umiikot tungo sa mas magkakaugnay, awtomatikong mga daloy ng trabaho na pinagsasama ang malalim na pagkatuto sa isang autonomous eksperimental na pag - eeksperimento.

  • Mga laboratoryong pang-ebolusyon: Ang mga sistemang Robotiko na gumagamit ng mga makinang nag-aaral upang magdisenyo, mag-debut, at mag-interate ng mga eksperimento nang walang interbensiyon ng tao. Ang mga malalim na modelong pagkatuto ay nagsisilbing "brain" na nagmumungkahi ng susunod na eksperimento batay sa mga nakaraang resulta.
  • Multi-fidelity at transfer learning: Pinagsasama ang mura, tinatayang datos (low-fidelity) na may magastos, tumpak na datos (high-fidelity) upang mapabuti ang pag-aasal ng modelo sa ibayo ng maraming mga sistemang materyal.
  • Mga modelong pang-estadistika na may mga limitasyon:[ Ang pagpapaunlad ng mga modelo na hindi lamang nagmumungkahi ng mga bagong istraktura kundi kinabibilangan din ng mga pisikal na demand (e.g., thermodynamic na katatagan, synthesizable) direktang sa proseso ng henerasyon.
  • Integration of theory and data: Ang Hybrid ay lumalapit na nagreresulta sa mga batas pisikal (tulad ng mga batas ng konserbasyon o mga simmetriya) sa mga arkitektura ng neural network upang mapabuti ang paglalahat at kahusayan ng datos.
  • [Open science and benchmarks: Ang komunidad ay patuloy na tumatanggap ng mga partite benchmark at open-source models, na nagreresulta sa harmonasyon at pag-aanunsyo. reatives tulad ng MatBench at OpenCatalyst ay nagsisilbing pamantayang tested para sa mga modelong paghahambing. Explore the MatBench snound.[[T:3]

Pagsasaayos

Ang malalim na pag-aaral ay hindi lamang isang kasangkapan na nagpapabilis ng pagtuklas ng mga materyal na ekwilibrium ay pangunahing nagbabago sa paraan ng pag-iisip at paggalugad ng mga mananaliksik sa espasyong kimikal at istraktura.Sa pamamagitan ng paghula ng mga katangiang pang-ekonomiya, paggawa ng mga materyales na pang-ebolusyon, paggabay sa mga bagay, at mabilis na pag-aaral, ang malalim na pagkatuto ay naipakita na ang kapangyarihan nito upang mabawasan ang panahon mula sa pag-aklas ng mga matributure tungo sa real na designment.Ang larangan ay nasa huli pa ring pangako. Habang ang mga datasetssets ay lumalago, ang mga modelo ay nagiging mas nabigyang enerhiya, at ang mga inteleklusibo sa pamamagitan ng mga elektronikong elekwensiyang elekwensiyang pang-intibo, at elektibo.

Para sa komprehensibong review ng estado ng sining, tingnan "Machine learning for hinggil sa pagtuklas at disenyo ng mga materyales" sa Nature Reviews Materials.[]