 |
|
Машинное обучение помогает в поисках новых материалов
|
| Ученые из Рочестерского университета говорят, что глубокое обучение может усовершенствовать метод, который уже является золотым стандартом для определения характеристик новых материалов. В статье npj Computational Materials междисциплинарная группа описывает модели, которые они разработали, чтобы лучше использовать огромные объемы данных, которые производят эксперименты по дифракции рентгеновских лучей. Во время экспериментов по дифракции рентгеновских лучей луч рентгеновских лучей освещает образец, создавая дифрагированные изображения, которые содержат важную информацию о структуре и свойствах материала. Руководитель проекта Нияз Абдолрахим, доцент кафедры машиностроения и ученый Лаборатории лазерной энергетики (LLE), говорит, что традиционные методы анализа этих изображений могут быть спорными, трудоемкими и часто неэффективными. |
|
| «В каждом из этих изображений скрыто множество материалов из области материаловедения и физики, и каждый день на предприятиях и в лабораториях по всему миру создаются терабайты данных», — говорит Абдолрахим. «Разработка хорошей модели для анализа этих данных действительно может помочь ускорить внедрение инноваций в области материалов, понять, как работают материалы в экстремальных условиях, и разработать материалы для различных технологических применений». Исследование, проведенное доктором материаловедения. студент Херардо Сальгадо, особенно перспективен для экспериментов с высокой плотностью энергии, подобных тем, которые проводятся в LLE исследователями из Центра материи при атомном давлении. Изучая точный момент, когда материалы в экстремальных условиях меняют фазы, ученые могут найти способы создания новых материалов и узнать о формировании звезд и планет. |
| Абдолрахим говорит, что проект улучшает предыдущие попытки разработать модели машинного обучения для рентгеновского дифракционного анализа, которые обучались и оценивались в основном с использованием синтетических данных. Абдолрахим, доцент Чэньлян Сюй с факультета компьютерных наук, и их студенты использовали реальные данные экспериментов с неорганическими материалами для тренировки своих моделей глубокого обучения. По словам Абдолрахима, для уточнения моделей необходимо предоставить больше экспериментальных данных рентгеновского дифракционного анализа. Она говорит, что команда работает над созданием платформ для обмена данными, которые помогут обучать и оценивать систему, делая ее еще более эффективной. |
| Источник |
