Giới thiệu

Dự đoán mật độ vật chất và độ quan trọng nhanh chóng và chính xác là nền tảng của khoa học vật liệu hiện đại. Hai tính chất này trực tiếp ảnh hưởng đến sức mạnh cơ học, độ nhiệt nhiệt, độ ẩm, độ ẩm cao và trọng lượng, làm cho chúng quan trọng đối với ứng dụng từ không gian quang hợp đến giàn giáo sinh học. Các phương pháp truyền thống này phụ thuộc vào các giả lập thử nghiệm rộng lớn hoặc các tính năng chính xác đầu tiên, có tính chất đo lường thời gian và tốn kém. Việc học tập trung (ML) cung cấp một sự thay thế thay thế: bằng cách học các mẫu dữ liệu hiện có sẵn, mô hình ML có thể tạo ra các dự đoán đáng tin cậy trong giây, tăng tốc độ và chọn các vật liệu mới. Bài này cung cấp các kỹ thuật tổng quát và các thuật tổng hợp các thuật toán dựa trên các tính năng lượng có thể được áp dụng để che giấu, các kết quả và các thuật toán xác định trước các kết quả, các kết quả có thể xác định trước kết quả, và các kết quả có thể thực sự chuẩn bị mất kết quả.

Hiểu tính chất xấu xa và sự chất chứa trong vật chất

Mật độ cầu được định nghĩa là khối lượng mỗi đơn vị (g/cm3 hoặc kg/m3). Nó xác định trọng lượng của các thành phần và ảnh hưởng độ nổi, sức mạnh cụ thể, và chi phí. Trong cấu trúc hợp kim, mật độ cao hơn thường tương ứng với sức mạnh cao hơn, nhưng cũng không tốt hơn, trong không gian hoặc thiết kế mô phỏng ô tô. [FT:2] Độ lớn [FL:] Độ mạnh [FL:3] là phần trăm của lượng khoảng cách trong một phần trăm (phần trăm hoặc 0) và cũng ảnh hưởng đến các thuộc tính chất lỏng, và hiệu suất lọc thường là yếu hơn.

Xem xét các tính chất này theo truyền thống bao gồm tính chất pycnometry, Archimdes phương pháp tổng hợp, quảng cáo khí đốt (BT), hoặc thủy ngân tham gia vào mục tiêu. Những kỹ thuật này là chính xác nhưng đòi hỏi mẫu vật vật lý. Các phương pháp tính toán như phân tích hữu hạn hoặc động lực phân tử có thể dự đoán tính tính chất nhưng yêu cầu nguồn điện tử quan trọng tài nguyên và kiến thức trước về cấu trúc vật chất. Máy học bước sóng âm này bằng cách lập bản đồ các tính năng kết xuất trực tiếp, cho phép xem xét nhanh các ứng cử viên hay xử.

Máy học kỹ thuật dự đoán tài sản

Mô hình hồi quy

Vì mật độ và độ nghiêng là giá trị số liên tục, thuật toán hồi quy là sự lựa chọn tự nhiên. hồi quy [FLT: 1] [FLT:] cung cấp một đường cơ bản đơn giản, giả sử một mối quan hệ tuyến tính giữa các tính năng và mục tiêu. Nó không thể giải thích được nhưng thường không đủ cho vật liệu phức tạp với tương tác không tuyến tính. [FLT: 2] Hồi quy véc tơ [R] [FLT: 1] [FLT] [R] [FLT: 1] [FLT] [FT] [FT:] [FLT] [R]] [FLT]] [FL:] [FLT]]] [R:] [R]]] [R]] [FR] [FL:]]] [FL:]]] [FL: yếu tố cơ bản sao] [R:] [R:] [FL:] [RL:] [RL:]]] [RL:]] [RL:]] [RL:] [R:

Mạng thần kinh và việc học sâu

Kiến trúc sâu học vượt trội khi mạng thần kinh lớn và tính năng có chiều rộng, như ảnh véc tơ cấu trúc vi mô hoặc cấu trúc phức tạp. [FLT: 0] [FLT: 0] được dùng khi các tính năng nhập vào dữ liệu hoặc dữ liệu không gian, (v. d. việc quét các hình ảnh của một cấu trúc điện tử có thể được ẩn đủ và tập trung. [FL:2] mạng thần kinh (NT: fT: 0] được dùng để hiển thị khi dữ liệu nhập vào hay dữ liệu không gian, để quét các hình ảnh điện tử của một cấu trúc điện tử. [NT] có thể phân tích các mẫu HTML, hoặc nhiều loại khác nhau: các mẫu kết nối trực tiếp với các vật liệu có thể tạo ra các vật liệu có thể tạo ra các chất phức tạp (N) và các mẫu thần kinh học: các vật liệu có thể tạo ra các chất hữu cơ và các chất khác nhau.

Phương pháp thay thế

Kết hợp nhiều mô hình thường cải thiện độ chính xác và ổn định. GP [FLT: 1] [FLT: 1] [FLT: 1] [v. g] (v. d. rừng ngẫu nhiên) giảm sự biến đổi; khởi động [FLT:] [FLT:]]] [v. g. XG.G.M.M.G.M.C.C.C.C.C.C.M., Cat Boom) giảm sự thành kiến của lỗi định hướng bằng cách đi tự nhiên. Trong vật liệu, việc tăng cường phương pháp đa dạng hóa thường xuyên làm cho các thuật toán khác nhau trên thẻ tab. [FK., XM., XG] [Ft], xGM.G], CatGM., Catboot, s, như mô hình dạng mạng lưới kết hợp với dữ liệu đa dạng.

Bộ sưu tập dữ liệu và kỹ thuật tính năng

Chất lượng và liên quan đến việc đào tạo dữ liệu trực tiếp quyết định hiệu suất dự đoán.

  • Cơ sở dữ liệu thực tiễn:) quản lý các kho như Dự án vật chất, AFTT, và Citrine Informics cung cấp giá trị mật độ cho hàng ngàn hợp chất vô cơ. Dữ liệu này thường được phân tán hơn, thường đến từ các tài liệu về đồ gốm, bọt kim loại và chất lỏng.
  • Thí nghiệm vượt qua cao: sự tổng hợp kết hợp giữa các ký tự và tự động hóa tạo ra các bộ dữ liệu lớn liên kết các thành phần, xử lý tham số, và tính chất đo đạc.
  • Sự phân biệt mô hình động lực phân tử hoặc giai đoạn có thể bổ sung dữ liệu thử nghiệm, đặc biệt là tiến hóa phù du trong quá trình thay đổi hoặc làm vững chắc.

Kỹ thuật sinh học biến dữ liệu thô thành các dự đoán có tính năng tiên đoán.

  • Thành phần tỉ lệ hoá: phân số nguyên tử, số nguyên tử, điện tử, bán kính nguyên tử, số điện tử điện tử, số điện tử.
  • Điều kiện tiết kiệm: nhiệt độ, áp suất, thời gian giữ, tốc độ làm mát, khí quyển (không khí, không khí).
  • Những người phân tích ngữ pháp: kích cỡ ngũ cốc, giai đoạn, phân phối pore kích cỡ, độ tortuosity (đã được thực hiện từ phân tích ảnh).

Kỹ thuật thông thường: Phân tích thành phần chính ) [FLT:] [FLT:] [FLT:] [FLT:]] [FLT: 1]] [FLT:]] [FLT: 3] giảm độ nghiêng trong khi bảo tồn sự biến đổi; [FL:4] lựa chọn [FL: t] [FL:5]] (bỏ đi hoặc Lasso reprocictions) loại bỏ các dữ liệu không thích hợp hoặc cải thiện chung.

Dạy dỗ và kiểm tra kỹ lưỡng

Một đường ống tập luyện mạnh là thiết yếu cho những dự đoán đáng tin cậy.

  1. Chia 70–80% để luyện tập, phần còn lại để thử nghiệm.
  2. Sự va chạm: [FLT: 1] k-fold (thường là 5 hoặc 10) hoặc để lại một- off maldation (LOOCV) cho các bộ dữ liệu rất nhỏ. Nó cho một ước lượng thực tế về hiệu suất trên dữ liệu không nhìn thấy.
  3. Thay đổi Hyparameter: tìm kiếm mạng lưới, tìm kiếm ngẫu nhiên, hoặc tối ưu hóa Bayesian cho biết sự kết hợp tốt nhất của các tham số mô hình (v. d., số cây trong rừng ngẫu nhiên, tỷ lệ học tập ở XGBBst, độ sâu kiến trúc trong mạng thần kinh).
  4. Bộ đo lường tập tin:[FLT: 1] có nghĩa là lỗi tuyệt đối (MAE), root có nghĩa là lỗi bậc hai (RMSE), R- vuông (R2), và phần trăm có nghĩa là lỗi tuyệt đối (MAPE) là phổ biến. Đối với dự đoán giả định sai, R2 thường vượt quá 0.85 để mô hình được xem là đáng tin cậy.

Quá nhiều rủi ro, đặc biệt là với bộ dữ liệu nhỏ. Kỹ thuật thường xuyên (L1/L2 Hình phạt, bỏ rơi trong mạng thần kinh) và dừng trợ giúp ngăn chặn sự ghi nhớ. Kiểm tra các bộ dữ liệu độc lập hoặc qua các phép thử bên ngoài thử nghiệm là thử nghiệm cuối cùng của khả năng tổng quát.

Những ứng dụng trong việc phát triển vật chất

Tác động thực tế của mật độ nhanh và dự đoán độ đông lạnh đã được thấy qua nhiều miền:

  • Hợp cân kích thích:) Máy học hướng dẫn thiết kế của người phụ nữ kết hợp với mật độ thấp và sức mạnh đặc trưng cao hơn bằng cách tối ưu hóa nội dung và giải tán.
  • Các vật liệu cách nhiệt nhiệt:) dự đoán độ bão hòa giúp phát triển aerogels và bọt với độ dẫn nhiệt cực thấp trong khi duy trì sự toàn vẹn cấu trúc.
  • Đồ gốm dùng cho việc lọc: dự đoán chính xác cho phép độ lệch chuẩn kích cỡ của bộ chuyển đổi chất xúc tác hiệu quả hoặc bộ lọc nước.
  • điện cực bằng điện cực Độ bão hòa điện từ ) ảnh hưởng đáng kể đến sự vận chuyển và mật độ năng lượng; mô hình ML có thể đề nghị cấu trúc điện cực cân bằng độ linh hoạt và sự ổn định cơ khí.
  • Việc sản xuất đồ họa:) dự đoán thời gian thực về mật độ mật độ phần trong 3D cho phép quá trình điều chỉnh tham số làm giảm các khuyết tật và chất lượng.

Mỗi lợi ích ứng dụng từ tốc độ của ML: những gì đã từng mất nhiều tuần thử và khủng bố có thể được thực hiện trong vài phút bằng cách xem xét các thư viện ảo của các thành phần và điều kiện xử lý.

Hướng đi tương lai và kỹ thuật viên

Luyện tập đa nhiệm vụ và truyền thông tin

Khi mật độ mật độ hoặc độ mờ được hạn chế cho một gia đình vật liệu mới, việc truyền tải tính năng học lại được học từ bộ dữ liệu liên quan đến việc tăng hiệu suất. Việc học đa nhiệm dự đoán nhiều tính chất (v. d. mật độ, tính hiệu suất điều khiển nhiệt của Young) cùng lúc, việc sử dụng các tính năng chia sẻ.

Mạng thần kinh học đã được tạo ra

Việc tập hợp các định luật vật lý (v.g., bảo tồn hàng loạt, hạn chế nhiệt động lực) vào chức năng mất tích tăng cường khả năng nhất quán và dẫn độ chính trị. mạng thần kinh có cấu trúc vật lý (PINN) có thể tạo ra bản đồ mật độ thể xác ngay cả ở các vùng với dữ liệu đào tạo phân hủy.

Hoạt động học hỏi và tự động thử nghiệm

Phương pháp này đặc biệt có giá trị khi mỗi thí nghiệm là tốn kém, chẳng hạn như tổng hợp áp suất cao hoặc vật liệu đặc biệt nhỏ.

AI giải thích được

Hiểu tại sao một mô hình dự đoán mật độ hay độ mờ nhất định là yếu tố quan trọng cho việc chấp nhận khoa học. SHapley Additiive exPlanations (SHAP) và Xây dựng Mô hình khả năng giải mã nội bộ (LME) cung cấp điểm số đặc trưng quan trọng, tiết lộ yếu tố nào ảnh hưởng nhiều nhất đến kết xuất. Tính năng này giúp hiệu quả mô hình và gợi ý cơ chế vật lý.

Để biết thêm về các phương pháp hiện đại, xin xem Chương trình này duyệt tự nhiên về máy học trong khoa học vật liệu cho một quan điểm rộng hơn, hoặc tìm hiểu Dự án [FLT:] [FLT:]. Đối với những phương pháp tiên tiến để mở và mô hình trước khi được đào tạo. Những ví dụ thực tế về tính năng kỹ thuật và mô hình lựa chọn có thể được tìm thấy trong [FL:4] [FL] các tài liệu học [FLT] [FLT].K]. Cuối cùng, các công cụ phức tạp [FL] cho phép thêm chi tiết [FT].T].

Kết luận

Việc học tập máy đã trở thành một đồng minh mạnh mẽ trong dự đoán nhanh chóng mật độ vật chất và độ mờ. Bằng cách chọn các thuật toán thích hợp từ hồi quy đơn giản đến việc học sâu sắc và kết hợp với các kỹ thuật và các kỹ sư, và các nhà khoa học có thể thay thế các thí nghiệm chậm và mô phỏng với sự ước tính gần như không vững chắc. Thành công phụ thuộc vào việc quản lý dữ liệu cẩn thận, kỹ thuật tính năng cân nhắc kỹ thuật và xác thực. Khi chuyển đổi, các mô hình vật lý, trình nghiên cứu vật lý, và giải thích được khả năng xác thực, sự chính xác và tính xác của dự đoán sẽ tiếp tục cải thiện, tăng tốc độ, và tăng cường các vật liệu có độ nhẹ nhàng, và đa chức năng và đa chức năng cho công nghệ ngày mai.