Машинное обучение стимулирует поиск сверхтвердых материалов

Машинное обучение стимулирует поиск сверхтвердых материалов

Исследователи из Университета Хьюстона и Манхэттенского колледжа сообщили о модели машинного обучения, которая может точно прогнозировать твердость новых материалов, что позволяет ученым более легко находить соединения, подходящие для использования в различных областях, — пишет eurekalert.org со ссылкой на Advanced Materials.

Сверхтвердые материалы, определяемые как материалы со значением твердости, превышающим 40 гигапаскалей по шкале Виккерса, то есть для того, чтобы оставить отпечаток на поверхности материала, потребуется более 40 гигапаскалей, встречаются редко.

«Это затрудняет идентификацию новых материалов, — сказал Якоа Бргох, доцент кафедры химии UH и автор-корреспондент статьи. — Вот почему такие материалы, как синтетический алмаз, все еще используются, хотя их производство сложно и дорого».

Одним из усложняющих факторов является то, что твердость материала может варьироваться в зависимости от величины оказываемого давления, что известно как зависимость от нагрузки. Это делает тестирование материала экспериментально сложным, а использование компьютерного моделирования сегодня практически невозможно.

Модель, представленная исследователями, преодолевает это, предсказывая зависящую от нагрузки твердость по Виккерсу, основанную исключительно на химическом составе материала. Исследователи сообщают об обнаружении более 10 новых и многообещающих стабильных борокарбидных фаз. В настоящее время ведутся работы по разработке и производству материалов, которые могут быть протестированы в лаборатории. Судя по заявленной точности модели, шансы хорошие. Исследователи сообщили о точности 97%.

Первый автор Зиян Чжан, докторант UH, сказал, что база данных, созданная для обучения алгоритму, основана на данных, включающих 560 различных соединений, каждое из которых дает несколько точек данных. Для поиска данных потребовалось изучить сотни опубликованных научных статей, чтобы найти данные, необходимые для создания репрезентативного набора данных.

«Все хорошие проекты машинного обучения начинаются с хорошего набора данных, — сказал Бргох, который также является главным исследователем Техасского центра сверхпроводимости в UH. — Истинный успех — это во многом разработка этого набора данных».

По словам Бргоха, исследователи традиционно использовали машинное обучение для прогнозирования одной переменной твердости, но при этом не учитываются такие сложности свойства, как зависимость от нагрузки, которая, по его словам, до сих пор не совсем понятна. Это делает машинное обучение хорошим инструментом, несмотря на предыдущие ограничения.

«Системе машинного обучения не обязательно понимать физику, — сказал он. — Он просто анализирует данные обучения и делает новые прогнозы на основе статистики».

Однако у машинного обучения есть ограничения. «Идея использования машинного обучения заключается не в том, чтобы сказать: «Вот следующий лучший материал», а в том, чтобы помочь направлять наш экспериментальный поиск, — сказал Бргох. — Он говорит вам, где вы должны искать».

Иллюстрация к статье: Яндекс.Картинки

Читайте также

Оставить комментарий

Вы можете использовать HTML тэги: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>