캠브리지 대학교 (University of Cambridge)의 과학자들이 이끄는이 팀은 재료의 특성을 예측하기 위해 '다중 공급'기계 학습 방식을 개발했습니다. 이 방법은 계산 기술을 사용하여 얻은 재료 구조에 대한 정보를 실험적 측정과 함께 딥 러닝 알고리즘을 사용하여 정확한 예측 모델을 구축했습니다.
과학자들은 강철 합금, 고-entropy 합금, 열전 재료 및 금속-유기 프레임 워크의 4 가지 재료에 대한 다기성 접근법을 테스트했습니다. 그들은 그들의 방법이 이러한 재료의 특성을 예측할 때 최첨단 성능을 달성했음을 보여 주었다.
예를 들어, 강철 합금의 경우, 다기성 모델은 이전 방법의 4.5%와 비교하여 1.8%의 평균 절대 오차 (MAE)로 재료의 항복 강도를 예측했습니다. 고수금 합금의 경우, 다기성 모델은 이전 방법의 5.8%에 비해 MAE의 MAE로 재료의 Vickers 경도를 예측했습니다.
Cambridge의 재료 과학 및 야금부의 공동 최초 저자 Hao Wu 박사는“기계 학습 기술은 재료의 특성을 예측하고 재료 발견의 시간과 비용을 크게 줄일 수있다”고 말했다.“그러나 기계 학습부의 Hao Wu 박사는“그러나 기계 학습은 고 충실하고 효율적인 효율적인 예측을 제공하기 위해 물리 정보 및 실험 측정과 같은 여러 보완 정보를 결합해야한다”고 말했다.
재료 발견 및 개발에는 현재 재료 합성의 반복주기, 재료 특성을 측정하기위한 실험 및 기본 메커니즘을 이해하기위한 비용이 많이 드는 계산 시뮬레이션이 포함됩니다. 이 접근법은 시간이 많이 걸리고 비싸고 비효율적이며 일반적으로 물리 또는 화학에 대한 깊은 지식을 가진 인간 전문가가 필요합니다.
새로운 다기성 기계 학습 접근법은 많은 시간 소모적 실험이나 고소성 계산을 수행하지 않고 가장 유망한 재료 후보를 효율적으로 식별함으로써 설계 프로세스를 간소화합니다.
재료 과학 및 금속 박사의 Xiaoqing Huang 박사는“전형적인 고 충실도 계산 시뮬레이션은 일주일 또는 몇 달이 걸릴 수 있습니다. Xiaoqing Huang 박사는 수백 가지의 재료를 탐색하고 싶다면 실질적으로 고유 한 계산 결과를 얻기 위해 고유 한 계산 결과를 얻는 데 실질적으로 불가능합니다. 고 충실도 모델의 학습을 안내하기위한 실험 측정.”
재료 발견과 관련된 시간과 비용을 크게 줄임으로써, 새로운 다기성 기계 학습 기술은 에너지 저장, 촉매 및 항공 우주를 포함한 광범위한 응용 분야를위한 새롭고 개선 된 재료의 개발을 가속화 할 수 있습니다.
"우리는 우리의 접근 방식이 재료 발견 및 개발에 혁신을 가능하게 할뿐만 아니라 화학, 생물학 및 제약 연구와 같은 다른 분야의 계산 과학 및 디자인에도 도움이 될 수 있다고 생각합니다.
