ИИ прогнозирует свойства материалов с ограниченными данными
Исследователи из Индийского института науки (IISc) совместно с коллегами из Университетского колледжа Лондона разработали методы на основе машинного обучения для прогнозирования свойств материалов даже при ограниченных данных. Это может помочь в открытии материалов с желаемыми свойствами, например, полупроводников. В последние годы инженеры-материаловеды обратились к моделям машинного обучения, чтобы предсказать, какие типы материалов могут обладать определенными свойствами, такими как электронные запрещенные зоны, энергии формирования и механические свойства, с целью проектирования новых материалов. Однако данные о свойствах материалов, необходимые для обучения этих моделей, ограничены, поскольку тестирование материалов является дорогостоящим и требует много времени. Это побудило исследователей во главе с Саи Гаутамом Гопалакришнаном, доцентом кафедры материаловедения IISc, заняться решением этой проблемы. В новом исследовании они нашли эффективный способ использования подхода машинного обучения, называемого трансферным обучением, для прогнозирования значений определенных свойств материалов. При трансферном обучении большая модель сначала предварительно обучается на большом наборе данных, а затем настраивается для адаптации к меньшему целевому набору данных. «В этом методе модель сначала учится выполнять простую задачу, например, классифицировать изображения на, скажем, кошек и не кошек, а затем обучается для конкретной задачи, например, классифицировать изображения тканей н...
Учёт симметрии помог нейросети в 2 раза точнее предсказывать свойства материалов Ученые из Института AIRI разработали методику, позволяющую повысить точность прогнозов сво ...
Систему «УМКАМатериалы» для работы с данными материалов включили в реестр отечественного ПО В реестр отечественного программного обеспечения включили «УМКАМатериалы» («Универсальный ...
CHASPIK.SPB.RU