Utilizzo di Transfer Learning per superare le barriere che affrontano l'apprendimento automatico nella scienza dei materiali



4 giorni fa p Luke James La capacità di machine learning di svolgere attività intellettualmente impegnative in vari campi, compresa la scienza dei materiali, ha suscitato notevole attenzione. Molti credono che potrebbe essere utilizzato per sbloccare grandi risparmi di tempo e costi nello sviluppo di nuovi materiali. La crescente domanda di utilizzo dell'apprendimento automatico per ricavare modelli surrogati rapidi di proprietà dei materiali ha spinto gli scienziati dell'Istituto nazionale per la scienza dei materiali di Tsukuba, in Giappone, a dimostrare che potrebbe essere il motore chiave della "prossima frontiera "Della scienza dei materiali nella ricerca recentemente pubblicata. Per apprendere, le macchine si affidano all'elaborazione dei dati utilizzando sia l'apprendimento supervisionato che quello non supervisionato. Senza dati, tuttavia, non c'è nulla da imparare. Sfortunatamente, i potenziali progressi tecnologici nell'apprendimento automatico e le sue potenziali applicazioni nella scienza dei materiali non vengono sfruttati appieno a causa della notevole mancanza di volume e della diversità dei dati sui materiali. Questo, secondo i ricercatori giapponesi, sta segnando enormi progressi. Tuttavia, si dice che un framework di machine learning noto come "transfer learning" abbia un grande potenziale nel riuscire a superare il problema di una fornitura di dati relativamente piccola. Questa struttura si basa sul concetto che vari tipi di proprietà - ad esempio fisico, elettrico, chimico e meccanico - sono fisicamente correlati. Per prevedere con successo una proprietà target da una fornitura limitata di dati di addestramento, i ricercatori hanno utilizzato modelli di proprietà proxy correlate che sono stati pre-stampati utilizzando dati sufficienti. Questi modelli sono quindi in grado di acquisire funzionalità comuni rilevanti per l'attività di destinazione. Questo riutilizzo delle funzioni acquisite automaticamente sull'attività di destinazione ha dimostrato prestazioni di previsione elevate anche quando i set di dati sono molto piccoli Trasferisci l'apprendimento (TL) dei polimeri attraverso 19 diverse osservazioni. Immagine usata per gentile concessione di American Chemical Society. Per facilitare l'uso diffuso e aumentare il potere dell'apprendimento trasferito, i ricercatori giapponesi hanno creato la propria libreria di modelli pre-addestrati, XenonPy.MDL. Nella sua prima versione, la libreria comprende oltre 140.000 modelli pre-addestrati per varie proprietà di piccole molecole, polimeri e materiali inorganici cristallini. Insieme a questi modelli, i ricercatori forniscono pubblicazioni che descrivono alcuni dei loro più straordinari successi nell'applicazione dell'apprendimento di trasferimento in diversi scenari. Esempi come la capacità di costruire modelli usando il framework in combinazione con solo una dozzina di dati sui materiali danno una buona dimostrazione dell'efficacia del framework di apprendimento del trasferimento. I ricercatori hanno anche messo in evidenza come hanno scoperto che l'apprendimento del trasferimento trascende attraverso diverse discipline della scienza dei materiali, come i ponti sottostanti tra chimica organica e inorganica. Una serie di figure che dimostrano l'uso dell'apprendimento di trasferimento su materiali organici e inorganici. Immagine usata per gentile concessione di American Chemical Society Sebbene l'apprendimento del trasferimento venga spesso utilizzato in vari campi dell'apprendimento automatico, il suo uso nella scienza dei materiali è ancora carente. Inoltre, la disponibilità limitata di big data apertamente accessibili continuerà probabilmente nel prossimo futuro, affermano i ricercatori, a causa della netta mancanza di incentivi per la condivisione dei dati, un problema in parte causato dagli obiettivi contrastanti delle parti interessate in ambito accademico, industriale e pubblico e organizzazioni governative. Ciò significa che la pertinenza dell'apprendimento transfer aumenterà e contribuirà ulteriormente al successo dei flussi di lavoro incentrati sull'apprendimento automatico nella scienza dei materiali.

Yorumlar

Bu blogdaki popüler yayınlar

Classici protocolli CAN vs CAN FD: le differenze che contano per i progettisti

Che cos'è DrMOS, l'IC che alimenta i processori di nuova generazione?

Qual è la funzione Sinc e perché è importante nell'ingegneria elettrica?