|
Использование ИИ в поисках термоэлектрических материалов
|
|
|
|
Команда исследователей использовала ИИ для идентификации термоэлектрического материала с благоприятными характеристиками. Группа смогла преодолеть обычные ловушки ИИ и проблемы с большими данными, предложив яркий пример того, как ИИ может революционизировать науку о материалах. Подробности были опубликованы в журнале Science China Materials 8 марта 2024 года. "Традиционные методы поиска подходящих материалов предполагают метод проб и ошибок, который отнимает много времени и часто обходится дорого", - заявляет Хао Ли, доцент Института передовых исследований материалов Университета Тохоку (WPI-AIMR) и автор статьи. "Искусственный интеллект преобразует это, просматривая базы данных для выявления потенциальных материалов, которые затем могут быть проверены экспериментально". Тем не менее, проблемы остаются. Крупномасштабные наборы данных о материалах иногда содержат ошибки, и переобучение прогнозируемых свойств, зависящих от температуры, также является распространенной ошибкой.
|
|
|
Переобучение происходит, когда модель учится улавливать шум или случайные флуктуации в обучающих данных, а не лежащую в их основе закономерность или взаимосвязь. В результате модель хорошо работает с обучающими данными, но не может обобщить новые, невидимые данные. При прогнозировании свойств, зависящих от температуры, переобучение может привести к неточным прогнозам, когда модель столкнется с новыми условиями, выходящими за пределы диапазона обучающих данных. Ли и его коллеги попытались преодолеть это, разработав термоэлектрический материал. Эти материалы преобразуют тепловую энергию в электрическую или наоборот. Таким образом, получение высокоточной зависимости от температуры имеет решающее значение. "Сначала мы выполнили ряд рациональных действий по выявлению и удалению сомнительных данных, получив 92 291 точку данных, включающую 7 295 составов и различных температур, из базы данных Starrydata2 — онлайн-базы данных, которая собирает цифровые данные из опубликованных статей", - утверждает Ли.
|
|
|
|
Затем исследователи построили модели машиностроения, используя метод дерева решений с градиентным ускорением. Модель достигла замечательных значений R2 0,89, ~0,90 и ~0,89 на обучающем наборе данных, тестовом наборе данных и новых экспериментальных данных вне выборки, опубликованных в 2023 году, демонстрируя точность моделей в прогнозировании новых доступных материалов. "Мы могли бы использовать эту модель для проведения крупномасштабной оценки стабильных материалов из базы данных Materials Project, прогнозирования потенциальных термоэлектрических характеристик новых материалов и предоставления рекомендаций для экспериментов", - утверждает Сюэ Цзя, доцент WPI-AIMR и соавтор статьи. В конечном счете, исследование иллюстрирует важность следования строгим рекомендациям, когда дело доходит до предварительной обработки данных и разделения данных в машинном обучении, чтобы оно решало насущные проблемы в материаловедении. Исследователи оптимистично настроены в отношении того, что их стратегия может быть применена и к другим материалам, таким как электрокатализаторы и батареи.
|
|
|
|
Источник
|
