یادگیری جستجوی ماشینی یا ماشین لرنینگ

مواد Superhard در صنعت ، از تولید انرژی گرفته تا هوا فضا ،تقاضای زیادی دارد ، اما یافتن مواد جدید مناسب عمدتاً مورد آزمایش و خطا بر اساس مواد قدیمی مانند الماس بوده است.

محققان دانشگاه هوستون و کالج منهتن یک مدل یادگیری ماشین یا همان ماشین لیرنینگ را گزارش کرده اند که می تواند سختی مواد جدید را به طور دقیق پیش بینی کند ، به دانشمندان اجازه می دهد با آسودگی بیشتری ترکیبات مناسب برای استفاده در کاربردهای مختلف را پیدا کنند.

موادی که فوق سنگین هستند - به عنوان مواردی با مقدار سختی بیش از ۴۰ گیگاپاسکال در مقیاس ویکرز تعریف می شوند ، به این معنی که برای ایجاد یک تورفتگی روی سطح مواد بیش از ۴۰ گیگاپاسکال فشار لازم است.

جاکوا برگوچ ، دانشیار شیمی دانشگاه هوستون و نویسنده مسئول مقاله ، گفت: "این امر شناسایی مواد جدید را به چالش می کشد." "به همین دلیل از موادی مانند الماس مصنوعی استفاده می شود حتی اگر ساخت آنها چالش برانگیز و گران باشد."

جهت مشاهده جدید ترین اخبار میتوانید به صفحه اصلی وب سایت تکولایف مراجعه کنید.

یکی از عوامل پیچیده این است که ممکن است سختی ماده بسته به میزان فشار وارد شده متفاوت باشد ، معروف به وابستگی به بار. این امر آزمایش یک ماده را از نظر تجربی پیچیده و استفاده از مدل سازی محاسباتی امروزه را تقریباً غیرممکن می کند.

مدل گزارش شده توسط محققان بر این غلبه می کند که با پیش بینی سختی ویکرز وابسته به بار صرفاً بر اساس ترکیب شیمیایی مواد است. محققان گزارش کردند که بیش از ۱۰ مرحله بوروکربید پایدار جدید و امیدوار کننده پیدا کرده اند. اکنون کار برای طراحی و تولید مواد در دست انجام است تا بتوان آنها را در آزمایشگاه آزمایش کرد.

براساس دقت گزارش شده در این مدل ، نتایج خوبی به دست آمده. محققان دقت این موضوع را در آزمایشگاه برابر ۹۷٪ اعلام کردند.

نویسنده اول ، زیان ژانگ ، دانشجوی دکترا در دانشگاه UH ، گفت که پایگاه داده ای که برای آموزش الگوریتم ساخته شده مبتنی بر داده های مربوط به ۵۶۰ ترکیب مختلف است که هر کدام چندین داده دارند. یافتن داده ها برای جستجوی داده های مورد نیاز برای ساخت یک مجموعه داده نماینده ، نیاز به ذکر صدها مقاله دانشگاهی منتشر شده دارد.

برگوچ ، که همچنین یک محقق اصلی در مرکز ابررسانایی تگزاس در UH است ، گفت: "همه پروژه های یادگیری ماشین خوب با یک مجموعه داده خوب شروع می شوند . "موفقیت واقعی تا حد زیادی توسعه این مجموعه داده است."

علاوه بر برگوچ و ژانگ ، از محققان دیگر این پروژه می توان به آریا منصوری تهرانی و بلیک دی ، هر دو با UH و آنتون اولیونک از کالج منهتن اشاره کرد.

به گفته برگوچ ، محققان به طور سنتی از یادگیری ماشینی برای پیش بینی یک متغیر سختی استفاده می کنند ، اما این مسئله پیچیدگی خاصیت مانند وابستگی به بار را به حساب نمی آورد ، که به گفته وی هنوز به درستی درک نشده است. با وجود محدودیت های قبلی ، این امر یادگیری ماشینی را به ابزاری مناسب تبدیل می کند.

وی گفت: "یک سیستم یادگیری ماشین نیازی به درک فیزیك ندارد."این فقط داده های آموزش را تجزیه و تحلیل می کند و براساس آمار پیش بینی های جدید می کند."

*یادگیری ماشینی محدودیت هایی دارد*