Harika! Makine öğrenimi, zahmetli insan görevlerini verimli bir şekilde çözebilen malzeme biliminde kullanılır
Makine öğrenimini bir görüntü işleme teknolojisi olarak kullanarak, bilim insanları, arabirimleri manuel olarak bulma ve görüntülemenin zahmetli sürecini doğruluktan ödün vermeden büyük ölçüde hızlandırabilir. Pillerden yarı iletkenlere kadar olan sistemlerde, kenarlar ve arayüzler malzeme özelliklerinin belirlenmesinde hayati bir rol oynar.
Bilim adamları, daha güçlü, daha enerji verimli veya daha dayanıklı malzemeler oluşturmak için bir numunedeki iki veya daha fazla farklı bileşenin nerede buluştuğunu incelemeye zorlanıyor. Şimdi ABD Enerji Bakanlığı'nın Argonne Ulusal Laboratuvarı'ndaki yeni bir çalışmada, araştırmacılar makine öğrenimine dayalı yeni bir teknolojiyi benimsedi.
Makine öğrenimi, malzemelere gömülü arayüzlerin ve kenarların sırlarını ortaya çıkarabilir. Makine öğrenimini kullanarak analiz için veri oluşturmak için kullanılan deneysel tekniğe atom prob tomografisi denir. Bu teknikte, araştırmacılar iğne benzeri üç boyutlu Küçük örnek. Ardından numuneden tek tek atomları çıkarın. Daha sonra malzemedeki belirli atomların kaynağını belirlemek için uçuş süresi ölçümleri ve kütle spektrometresi gerçekleştirilir. Bu işlem, numunede çok büyük atomik lokasyonlara sahip bir veri seti oluşturur.Bu veri setini analiz etmek için, araştırmacılar onu iki boyutlu dilimlere ayırır.
Daha sonra her bir dilim, makine öğrenimi algoritmalarının kenarları ve arayüzleri belirleyebileceği bir görüntü olarak temsil edilir. Algoritmayı arayüzü tanımak için eğitirken, Argonne malzeme bilimcisi ve araştırma yazarı Olle Heinonen liderliğindeki bir ekip alışılmadık bir yöntem kullandı. Henoning ve meslektaşları, sınırları zayıf bir şekilde tanımlanmış olabilecek bir malzeme kitaplığındaki görüntüleri kullanmak yerine, makine öğrenimi algoritmalarının görüntülerdeki kenarları anlamasına yardımcı olmak için kedi ve köpek fotoğraflarıyla başladı. Algoritmayı eğitirken bu şekiller bizim için basittir.
Ancak bilgisayarlar için çok karmaşıktır, bu nedenle yararlı bir test alanı sağlar. Daha sonra araştırmacılar, bir dizi moleküler dinamik simülasyonu derleyerek makine öğrenme algoritmasının doğruluğunu gösterdiler ve bunları, simüle edilmiş örneklerin bileşiminin tamamen bilindiği sentetik veri kümeleri oluşturmak için kullandılar. Makine öğrenimi yöntemlerine dönerek, bileşen bilgilerini çıkarmak ve bunları gerçek durumla karşılaştırmak mümkündür. Daha önce, atom sondalı tomografi verilerinden bu tür konsantrasyon dağılımlarını oluşturma girişimleri, yoğun emek gerektiren manuel süreçleri içeriyordu.
Makine öğrenimi algoritmalarını yeni geliştirilen kantitatif analiz yazılımıyla birleştiren bilim insanları, çeşitli malzeme arayüzlerinin analizini büyük ölçüde hızlandırabilir. Yöntem genişletilebilir, yüksek performanslı hesaplamaya konulabilir ve tamamen otomatikleştirilebilir, farklı konsantrasyonları manuel olarak tamamlamak ve görüntülemek yerine, kodu buraya gönderebilir ve elde etmek için bir düğmeye basabilirsiniz. Bu teknoloji atom problu tomografi için geliştirilmiş olsa da her tür tomografiye, hatta X-ışını tomografisi gibi atomların konumunu mutlaka ortaya çıkarmayan tekniklere bile uygulanabilir.
Bu teknik, bazı yapısal bilgiler ve arayüzler içeren üç boyutlu bir veri kümeniz nerede olursa olsun yararlı olacaktır. Matematik, yapay zeka, nanobilim, malzeme bilimi ve bilgisayar bilimi gibi çok çeşitli alanlardan uzmanlar da dahil olmak üzere bu araştırma işbirliğinin ortaya çıktığını belirtmek gerekir. Araştırma ekibi, malzeme karakterizasyonundaki zorlu bir sorunu çözmek için çeşitli uzmanlıkları bir araya getirdi. Araştırma yazarı Argonne bilgisayar bilimcisi Prasana Baraprakash şunları söyledi: Makine öğrenimi açısından, üstesinden gelmemiz gereken temel zorluklardan biri veri kıtlığıdır.
Tipik bir makine öğrenimi ortamında, eğitim ve öğrenme için gerekli etiketlenmiş veriler bol miktarda bulunur, ancak atom problu tomografide, her bir deneyi gerçekleştirmek ve eşit konsantrasyon yüzeyini etiketli veriler olarak manuel olarak tanımlamak çok zaman ve çaba gerektirir. Bu, doğrudan derin öğrenme yöntemlerini uygulamamızı engeller.
Araştırmacılar, atom sondalı tomografi verilerindeki kenarları otomatik olarak tanımlamak için doğal görüntüler üzerinde eğitilmiş derin öğrenme modellerinin kullanımı da dahil olmak üzere transfer öğrenme teknolojisini kullanır.Atom sondalı tomografi, Northwestern Üniversitesi'nin Atom Prob Tomografi Merkezi'nde gerçekleştirildi. Sonuçlar "Scientific Reports" dergisinde yayınlandı.
Brocade | Araştırma / Gönderen: Argonne Ulusal Laboratuvarı
Referans dergi "Scientific Report"
DOI: 10.1038 / s41598-019-56649-8
Brocade Park Bilim, Teknoloji, Bilimsel Araştırma, Popüler Bilim
Takip edin Bokeyuan Daha fazlasını görün Damei Universe Science
