Kỹ thuật khoa học vật chất đứng ở giao lộ vật lý, hóa học và công nghiệp đổi mới. khả năng dự đoán chính xác các tính chất vật chất là cơ sở để thiết kế máy bay nhẹ hơn, hợp kim mạnh hơn, có hiệu quả hơn, và các mô phỏng y học bền vững. phương pháp truyền thống phụ thuộc vào các thí nghiệm vật lý và mô phỏng toán học, cả hai tính chất này có thể tốn kém và thời gian. trong những năm gần đây, việc học tập sâu đã được phát hiện như một công cụ chuyển hóa có thể tăng tốc, cho phép các nhà nghiên cứu về các dự đoán này, cho phép các ứng cử viên có thể sử dụng vật liệu tính toán trước khi tham gia vào phòng thí nghiệm. bài này khám phá cách nghiên cứu sâu của việc học là tái sử dụng tài liệu, những lời tiên đoán và những hướng đi tìm kiếm tương lai.

Cần dự đoán chính xác tài sản

Từ không gian hàng không đến điện tử tiêu dùng, mỗi ứng dụng tối tân phụ thuộc vào vật liệu có tính năng điều chỉnh chính xác. Kỹ sư đòi hỏi dữ liệu đáng tin cậy về sức mạnh cơ học, nhiệt độ, tính năng kháng nhiệt và sự ổn định hóa học. Việc sử dụng dữ liệu thông thường qua các phương pháp thí nghiệm hoặc mô phỏng tính toán có độ dài bằng lý thuyết tích hợp (DFT) hoặc động lực phân tử. Những mô phỏng này, trong khi chính xác, đòi hỏi ngay cả những hệ thống nhỏ. Không gian đốt cháy của vật liệu có thể là vô tận, làm cho thí nghiệm hoặc kiểm tra tính toán. Việc học sâu sắc cung cấp cách để tìm hiểu dữ liệu vật liệu cơ bản từ vật liệu hiện hữu và vật liệu không xác, có khả năng cắt các chu kỳ trong nhiều tháng, khả năng nhanh chóng từ các chu kỳ phát hiện.

Học hỏi kỹ những điều cơ bản cho khoa học vật chất

Trong bối cảnh của vật liệu, các dữ liệu có thể bao gồm các thành phần đơn giản đến các tọa độ nguyên tử và cấu trúc trái phiếu. Sức mạnh của việc học sâu nằm trong khả năng tự động lấy ra các biểu hiện phân loại phân loại, loại bỏ nhu cầu của các nhà phân phối tay.

Kiến trúc mạng thần kinh

Một số kiến trúc sâu đã chứng minh hiệu quả cho dự đoán tài sản:

  • Mạng kết nối đa dạng [FCN] [FLT: 1]: thích hợp với dữ liệu dạng đặc trưng cấu trúc. Chúng là các véc- tơ đơn giản nhưng cần thiết kỹ thuật tính năng cẩn thận.
  • Mạng thần kinh con Con Con Con Con Con Con Conral (CNNNs) ):] Ứng dụng vào cấu trúc tinh thể tuần hoàn được biểu thị như là lưới hay đồ thị 3D. CNN thu các liên hệ không gian cục bộ.
  • Mạng lưới thần kinh kiểu grph (GNNN) [NT:1): Một trạng thái tự nhiên cho vật liệu, như tinh thể có các nút và liên kết với các nguyên tử. GNs có thể học từ bên trên và không thể đối xứng với các hoạt động.
  • Những người biến đổi và cơ khí chú ý ): gần đây thích nghi với vật liệu, những mô hình này có thể thu các tương tác tầm xa và quy mô tới những bộ dữ liệu lớn.

Dữ liệu về việc huấn luyện vật chất

Đào tạo các mô hình học tập sâu cần thiết các tập hợp dữ liệu lớn, chất lượng cao. Các kho chứa công cộng như Dự án ), ), [FLT: 1], , [FLT:], bộ dữ liệu có khả năng tính toán cao], được đào tạo bằng cách phân số dữ liệu hợp lệ , và [FL:4] Mở rộng [FLT:] cũng là nền tảng để làm việc riêng. Mô hình thường được đào tạo với việc hỗ trợ khả năng học tập tính toán, bằng cách sử dụng các dữ liệu hợp lệ để chuyển đổi và cũng cải thiện tính năng sử dụng các tính năng.

Những thử thách về dữ liệu trong khoa học vật chất

Một nút chai quan trọng để học hỏi sâu về vật liệu là có sẵn dữ liệu. Không giống như miền như thị lực máy tính, nơi hàng triệu hình ảnh có nhãn dễ có, thiết bị dữ liệu thường nhỏ hơn và không phân hủy. Nhiều tính chất đòi hỏi tính toán DFT đắt đỏ không thể được phóng đại vô hạn. Hơn nữa, dữ liệu thử nghiệm được thu thập dưới những điều kiện khác nhau, giới thiệu tiếng ồn và sự mâu thuẫn. Để giải quyết những vấn đề này, các nhà nghiên cứu phát triển kỹ thuật như:

  • Sự tăng cường ): phát triển cấu trúc tinh thể tổng hợp bằng cách áp dụng các hoạt động đối xứng hoặc các tham số lưới phụ.
  • [FLT: 0] Học ): Tự động chọn những điểm có ích nhất để nhãn, giảm số tính toán đắt tiền cần thiết.
  • Transfer học ): tiền đào tạo một mô hình trên một bộ dữ liệu nguồn lớn (v. d., tạo năng lượng) và fine-tuning trên một bộ dữ liệu nhỏ hơn mục tiêu (v. g., khoảng cách ban nhạc).

Ngoài ra, các nỗ lực để tiêu chuẩn hóa định dạng dữ liệu và siêu dữ liệu đang tiến hành thông qua các sáng kiến như phòng thí nghiệm [FLT: 0] [FLT: 1].

Những ứng dụng chính của việc học hỏi sâu về dự đoán tài sản vật chất

Việc học sâu đã được áp dụng vào nhiều tính chất vật chất khác nhau, từ số lượng tử cơ bản cho đến số lượng lớn các chỉ số hiệu suất vĩ mô.

Thuộc tính cơ khí

Dự đoán độ đàn hồi, độ dẻo, độ bền và độ bền là tối quan trọng cho vật liệu cấu trúc. Mô hình học sâu được đào tạo về cấu trúc cấu trúc cấu trúc cấu trúc cấu trúc tinh thể có thể ước tính những tính chất này trong vòng vài phút, thay thế ngày thử nghiệm. Ví dụ, GNNNs có thể dự đoán phần lớn đa số các tinh thể tích khối với những lỗi chính xác tuyệt đối gần DFT. Khả năng này cho phép kiểm tra hiệu chỉnh các hợp kim mới để xem các phần nhỏ hoặc cắt cứng hơn.

Tính năng điện tử và nhiệt

Khoảng cách giữa băng, độ liên tục điện tử và nhiệt là những tham số chủ yếu cho các máy bán dẫn và vật liệu nhiệt điện nhiệt. mô hình học sâu đã vượt quá các mô hình truyền thống như thang đo điện tử Pauling trong dự đoán khoảng cách ban nhạc từ một thành phần riêng. Tính dẫn nhiệt, phụ thuộc vào sự tương tác điện tử, đã được mô phỏng bằng cách sử dụng các phương pháp tiếp cận dựa trên đồ thị cho động lực khung. như vậy những dự đoán về việc phát hiện ra các vật liệu nhiệt điện nhiệt mới để phục hồi nhiệt.

Phản ứng hóa học và khả năng ổn định

Hiểu cách vật liệu bị suy giảm hoặc phản ứng là cần thiết cho chất xúc tác và điện cực. Việc học tập sâu có thể dự đoán năng lượng quảng cáo trên bề mặt chất xúc tác bằng cách học từ hàng ngàn tính toán DFT. Mô hình như [FLT: 0] CCN [FLT: 1] (Crytal istoral Nyal Conal Neal Network) đã được dùng để tiên đoán sự hình thành năng lượng và ổn định trong cơ sở dữ liệu tinh thể tổ chức. Tính năng này giúp nhận ra các vật liệu có nhiệt động và có khả năng tổng hợp.

Nghiên cứu trường hợp

Một ví dụ là phát hiện ra những vật liệu gia vị li-li-on mới cho hộp ắc-quy tăng cường. các nhà nghiên cứu tại Stanford và MIT sử dụng nghiên cứu sâu để kiểm tra hơn 100.000 thành phần ứng cử viên cho điện áp cao và ổn định, thu hẹp xuống một số ít sau đó được kiểm tra thử nghiệm. một trường hợp khác là dự đoán của các vật liệu siêu cứng mới: một hệ thống học được đào tạo trên các hợp chất nhị phân đã dự đoán tungtenaprup có thể tác động mạnh, sau đó được xác nhận trong phòng thí nghiệm.

Trong lĩnh vực của những hợp kim cao cấp, việc học sâu đã cho phép dự đoán nhanh về các quy tắc hình thành giai đoạn, hướng dẫn thiết kế của hợp kim với sức mạnh đặc biệt và sức kháng viêm cực. những ví dụ này minh họa tác động thực tế của việc học sâu trong việc tăng tốc vật chất.

Vượt qua những thách thức: Khả năng hiểu biết và tính đáng sợ của dữ liệu

Dù có sức mạnh dự đoán, học hỏi sâu thường bị chỉ trích như một hộp đen. Trong ngành khoa học vật liệu , tại sao một mô hình làm cho một số dự đoán là thiết yếu để đạt được sự hiểu biết khoa học và xây dựng lòng tin. Kỹ thuật hóa như trọng lượng của vật liệu chuyển hóa, giá trị phân chia và các dốc màu được thích nghi với các vật liệu.

Một giải pháp đầy hứa hẹn là sử dụng các mô hình sinh hóa, như các quy tắc tự động và mạng lưới tạo phản vật lý, để đề xuất những cấu trúc tinh thể giả định mới. những cấu trúc này có thể được đánh giá bằng cách thay thế các mô hình học sâu, cho phép phát hiện ra các đường ống ảo. phương pháp khác là kết hợp trực tiếp các hạn chế vật lý vào chức năng mất mát, chẳng hạn như bảo tồn năng lượng hoặc sự cân bằng trong việc thay đổi không đổi, mà giảm lượng dữ liệu cần thiết để đào tạo.

Hướng đi tương lai và hợp nhất

Các trường đang chuyển sang các nền tảng tích hợp kết hợp việc học với tính toán cao và thí nghiệm tự động như "tự lái" có thể thiết kế, tổng hợp và đặc điểm tự động. và các vật liệu có tính toán sâu hoạt động như bộ não phân tích kết quả và gợi ý cho thí nghiệm tiếp theo. phương pháp đóng kín này đã cho thấy thành công trong việc tối ưu hóa các vật liệu đo ánh sáng và quang hợp.

Một biên giới khác là mô hình đa chiều, nơi việc học tập sâu được đào tạo trên cả hai độ chính xác thấp (cheap nhưng kém chính xác) và độ chính xác cao (các dữ liệu song chính xác). Việc này có thể giảm đáng kể các giá của dự đoán tài sản trong khi duy trì độ chính xác. Hơn nữa, tính không chắc chắn trong việc học sâu mô hình đang thu hút sự chú ý, vì các kỹ sư vật liệu cần khoảng cách tự tin cho các ứng dụng quan trọng như thành phần không gian vũ trụ.

Sự phát triển của dữ liệu dự báo lớn hơn và đa dạng hơn [FLT: 0] [FLT: 1] đang làm cho các mô hình cơ sở vật liệu có sẵn, tương tự như mô hình ngôn ngữ lớn, có thể đẩy nhanh hơn.

Kết luận

Việc học hỏi sâu là một công cụ cần thiết trong ngành khoa học vật chất. bằng cách cho phép những dự đoán nhanh chóng, chính xác về các tính chất cơ khí, điện tử và nhiệt, giúp các nhà nghiên cứu định hướng không gian thiết kế rộng lớn của vật liệu mới.