Машинного обучения и искусственного интеллекта все чаще используются в материалах исследования. Например, Массачусетский технологический институт доцент кафедры материаловедения и инженерии Juejun «й» Ху разработали алгоритм, который повышает производительность чип-спектрометр, и Атлантик Ричфилд доцент кафедры энергетических исследований Эльза А. Оливетти причине искусственного интеллекта система, которая обыскивает на основе научных трудов вывести материаловедение “рецепты”.
Эти и другие профессора Массачусетского технологического института, а также основных докладчиков Брайан этажный, Тойота исследований директор Института ускоренного материалов проектирование и открытие, будем обсуждать идеи и прорывы в своих исследованиях с помощью методов машинного обучения в MIT материалы научно-исследовательской лаборатории материалов ежегодном Симпозиуме по среда, октября. 9 в kresge аудитории.
Доцент Ху недавно объяснил, что привело к его прорыву спектрометр, и почему он надеется, что машинное обучение и искусственный интеллект становятся повседневным инструментом в научно-исследовательских материалов.
Вопрос: Ваш работу спектрометра в частности, использование методов машинного обучения. Как новый подход, изменяющий процесс познания в материаловедении?
Ответ: в основном, мы разработали новый спектрометр технология, которая позволяет сжать большой компоненты на небольшой кремниевый чип и при этом сохранять высокую производительность. Мы разработали алгоритм, который позволит нам извлечь информацию с гораздо лучше сигнал-шум. Мы проверим алгоритм для различных видов спектра. Алгоритм идентифицирует отдельные цвета при сравнении двух повторных измерений для ослабления влияния шумов измерений. Алгоритм улучшает разрешение на 100 процентов по сравнению с пределами учебника, называемый Рэлея предел.
Вопрос: Как вы используете машинное обучение для выявления новых оптических материалов и конструкций для работы в средней инфракрасной линзы состоят из оптических антенных решеток?
Ответ: Мы сотрудничаем с группой в Университете Массачусетса [Массачусетский университет] разработать алгоритм глубокого обучения для проектирования “метаповерхности”, которые являются своего рода оптический прибор, где вместо обычных геометрическая кривизна, чтобы построить, скажем, объектив, мы используем массив специально разработанные оптические антенны для придания фаза задержка на входящий свет, и поэтому мы можем достичь все функции. Одна большая проблема с метаповерхности заключается в том, что обычно, когда люди будут проектировать эти метаповерхности, они будут делать это в основном методом проб и ошибок.
Мы создали глубокие алгоритмов обучения. Алгоритм позволяет нам обучать его с имеющимися данными. Так как мы обучаем, в конце концов, алгоритм становится “умным”. Алгоритм может оценить работоспособность неправильной формы, которые выходят за рамки обычных форм любит круги и прямоугольники. Он может распознавать скрытые связи между сложной геометрии и электромагнитных ответ, который, как правило, не тривиально, и он может найти эти скрытые отношения быстрее, чем обычные полномасштабного моделирования. Алгоритм также может отсеивать потенциальных комбинаций материалов и функций, которые просто не будут работать. Если вы пользуетесь обычными методами, вам придется тратить много времени, чтобы исчерпать все возможные пространства, а затем пришел к такому выводу, но теперь наш алгоритм может сказать вам очень быстро.
Вопрос: какие другие достижения способствуют использование машинного обучения в материаловедении?
Ответ: другая вещь, которую мы видим сейчас у нас также есть намного более легкий доступ к очень мощным, облачных вычислительных мощностей, имеющихся в продаже. Так что сочетание аппаратных средств, легкий доступ, очень мощные вычислительные ресурсы, и новые алгоритмы, что позволяет нам принять новые инновации. Опять же, к примеру, с метаповерхности, если вы посмотрите на старые конструкции, народу было довольно много, используя обычные геометрические формы, такие как круги, квадраты, прямоугольники, но мы, как и многие другие в сообществе, все теперь переходим к топологически оптимизированными оптическими приборами. И дизайн этих структур, сочетание новых алгоритмов и мощных вычислительных ресурсов является ключом к разработке огромных устройств, таких как макроскопические, топологически оптика, оптимизированная в трехмерном пространстве.
Больше записей автора Роботы и киборги
Маркетинговое исследование рынка робототехники
Объектом исследования является российский рынок робототехники. Рынок робототехники делится на два значимых сегмента: бытовые (домашние роботы) и роботы профессиональные (промышленные/сервисные). …
Обзор рынка промышленной автоматики
Департаментом маркетингового анализа «Текарт» завершен проект, посвященный анализу рынка промышленной автоматики (системы АСУ ТП и КИПиА) в Воронежской области. В …
Перспективы производства промышленных роботов в России
Пандемия ускоряет цифровую трансформацию и автоматизацию бизнеса, стимулируя интерес инвесторов и предпринимателей к робототехнике. Ранее промышленные роботы, в основном, использовались в …
