تاثیر هوش مصنوعی بر روند فعلی و علم مواد

در سال های اخیر تجربه کرده اند رو به رشد رشد در توسعه آماری و یادگیری ماشین در حوزه علم مواد و شیمی پلیمر. جالب توجه است یا نه unnoticeably مفهوم هوش مصنوعی شایع بود در علم مواد, جامعه, برای چند دهه گذشته. برای مثال بیش از 15 سال پیش در یک سمپوزیوم اقدام انجام شده توسط این مواد تحقیقات جامعه تا به حال یک جلسه با عنوان “ترکیبیاتی و روشهای هوش مصنوعی در علم مواد.” روند تکامل یافته است به تازگی با معاصر موضوعاتی مانند ظرفیت بالا غربالگری شبیه سازی ذرات شتاب دهنده و محاسباتی با استفاده از مجموعه داده برای توسعه زمین متحده است.

اولین سوالی که از خودم پرسیدم این چرا این رشته چه در حال حاضر ؟ اگر در منطقه شده بود به عمل 15 سال پیش چه اتفاقی افتاد به تکنیک های پس پس ؟ خوب این تا حدودی شبیه ظهور و سقوط از هوش مصنوعی است که به طور کلی دارای تاج و تغار معمولا نامیده می شوند به عنوان “تجدید حیات” و “هوش مصنوعی زمستان’ بود.

اولین جرقه دیده می شد در سال 1956 زمانی که زمینه هوش مصنوعی ایجاد شد. آن دانشمند نمی دانم که چگونه به مقابله با محاسباتی علم است. علاوه بر این نبود پل مناسب است که می تواند پیوند داده های تجربی با نظری داده های به دست آمده از محاسباتی برنامه نویسی. دامنه تر شد تقویت شده در طول دهه 1980 با ظهور الگوریتم های قدرتمند مانند backpropagation (برای شبکه های عصبی) و کرنل روش (به صورت طبقه بندی). در حال حاضر با ادغام یادگیری عمیق همراه با رشد در پردازش گرافیکی واحد محاسباتی تکنیک های باز کردن بسیاری از راه های در زمینه علوم مواد.

اما آیا روش فعلی به اندازه کافی به پل فاصله بین مواد و علمی جامعه?

من حدس می زنم بله. این عنصر اصلی که تعیین نیرومندی از یک هوش مصنوعی پردازش و بهره برداری در دسترس بودن حجم زیادی از ترتیب داده که از نظر ادبیات به عنوان ” کتابخانه ها است.’ این کتابخانه ها ما را قادر به استفاده از دستگاه یادگیری اصول اما در همان زمان ارائه دامنه به تفسیر آنها را از نظر جسمی.

اگر هماهنگ و پردازش دقیقا هوش مصنوعی نه تنها به ما اجازه می دهد برای سرعت بخشیدن به ما تحولات علمی بلکه راه خاص تحقیقاتی انجام می شود. همین دلیل است که شما را پیدا خواهد کرد انواع مقالات اخیر که تمرکز بر روی راه برای توسعه سریعتر راه برای انجام همان معاصر آزمایش. در این زمینه مواد ژنوم ابتکاربه راه انداخته شد در سال 2011 تا به حال تنها قصد سرعت بخشیدن به مواد کشف روند و به مقیاس آنها را. مراحل اصلی آنها استفاده می شود برای ایجاد بالاتر از اهداف بودند به اعمال توان بالا الگوریتم هر دو نظری و تجربی مدل سازی برای توسعه در دسترس کتابخانه ها و مخازن. از آن زمان به بعد این مجموعه را تبدیل به یک راه حل سنتی برای مقابله با مشکلات پیچیده در علوم مواد. این دوره از تکامل در نهایت مختلف توسعه داده است که شامل هزاران نفر از تجربی و نظری نقاط داده از جمله خودکار جریان مواد کشف (AFLOWLIB) مشترک خودکار مخزن به صورت های مختلف یکپارچه شبیه سازی (JARVIS), نظريه تابعی چگالی (DFT)) پلیمر ژنوم Citrination و مواد شبکه نوآوری.

این سوال باقی می ماند – دقیقا چگونه این کار را انجام تکنیک های پیشرفته به ما کمک کند به منظور توسعه یک چشم انداز جدید در مواد, علوم? اجازه دهید من به شما یک مثال ابتدایی. اجازه دهید بگویم من یک کتابخانه قوی با یادگیری ماشین که میزبان دیتا برای آلیاژ طراحی. هنگامی که من می دانم چه نوع آلیاژ برای ساخت من می توانم مجموعه ای از پارامترها در کتابخانه برای پیدا کردن بهینه ترین مجموعه ای از مواد و عملیات ابزار است که می تواند واکشی من به نتایج مورد نظر در حداقل زمان مورد نیاز. می تواند ما همان کار را با استفاده از دو گروه آزمايش و خالص نظری تکنیک ؟ نه از آنجا که بسیاری از زمان باید مصرف شود در حالی که انجام مسیرهای پیاده روی از مجموعه گسترده ای از داده ها. این کتابخانه ها می توان توسعه یافته برای تسریع در سنتز بهینه سازی فرایند همراه با یکپارچه سازی آموزش مدل های طبقه بندی سازه های کریستال و نقص. جدید ترین نرم افزار شامل توسعه های مختلف de novo مولکول برای تقویت مولکولی طرح برای شناسایی مواد با خواص خاص مورد نظر به صورت های مختلف معقول عملیات.

به عنوان یک نتیجه گیری توجه داشته باشید در دسترس بودن پایگاه داده ها و ادغام آنها با مبانی نظری و روشهای یادگیری ماشین ارائه پتانسیل برای تغییر چگونه علم مواد است که با نزدیک شدن قابل ملاحظه ای است.

سلب مسئولیت : دیدگاه های مطرح شده در بالا هستند خود نویسنده.

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>