Ερευνητές από τη Σχολή Μηχανικών και Εφαρμοσμένων Επιστημών του Yale αναλύουν την αποτελεσματικότητα ενός εργαλείου μηχανικής μάθησης στην πρόβλεψη της μορφοποιητικότητας του μεγάλου μεταλλικού γυαλιού.
Χουάν Βελάσκο
Συνεισφέρων Δημοσιογράφος
Ευγενική προσφορά του Guannan Liu
Η μηχανική μάθηση έχει χρησιμοποιηθεί για ένα ευρύ φάσμα εργασιών, όπως η αναγνώριση ομιλίας, η ανίχνευση απάτης, οι συστάσεις προϊόντων, η αναγνώριση εικόνων και η εξατομικευμένη ιατρική — ωστόσο, η εφαρμογή της έχει περιοριστεί όταν πρόκειται για την επίλυση πολύπλοκων προβλημάτων επιστήμης των υλικών.
Ένα τέτοιο πρόβλημα είναι η πρόβλεψη της ικανότητας σχηματισμού γυαλιού ενός κράματος, το οποίο είναι ένα μείγμα δύο ή περισσότερων μετάλλων ή μεταλλικών και μη μεταλλικών στοιχείων. Μια μελέτη υπό την καθοδήγηση του Yale έχει αντιμετωπίσει αυτό το εμπόδιο, διερευνώντας τη χρήση ενός μοντέλου μηχανικής μάθησης για την πρόβλεψη του σχηματισμού χύδην μεταλλικού γυαλιού.
Τα χύμα μεταλλικά γυαλιά παρουσιάζουν μοναδικές ιδιότητες, όπως υψηλή αντοχή, υψηλή σκληρότητα, αντοχή στη διάβρωση και μεγάλο όριο ελαστικής καταπόνησης. Για να προβλέψουν τη δυνατότητα διαμόρφωσης αυτών των ειδών γυαλιών, οι ερευνητές του Yale ανέπτυξαν ένα μοντέλο μηχανικής μάθησης βασισμένο σε 201 χαρακτηριστικά κράματος που κατασκευάστηκαν από το συνδυασμό 31 στοιχειακών χαρακτηριστικών, όπως ατομικός αριθμός, ατομικό βάρος, θερμοκρασία τήξης, ομοιοπολική ακτίνα, θερμότητα σύντηξης και ηλεκτραρνητικότητα. . Αυτή η πρόβλεψη στη συνέχεια συγκρίθηκε με ένα μοντέλο που βασίζεται σε μη φυσικά χαρακτηριστικά, καθώς και με ένα μοντέλο μηχανικής μάθησης που βασίζεται σε ανθρώπινες γνώσεις που επίσης ανέπτυξαν.
«Η φύση αυτών των διαφορετικών εισροών είναι αυτό που διακρίνει αυτήν την εργασία, η οποία κυμαίνεται ευρέως μεταξύ στοιχειωδών δεδομένων, μη φυσικών δεδομένων και δεδομένων που έχουν μάθει από τον άνθρωπο», δήλωσε ο Guannan Liu GRD ’24, ένας διδακτορικός φοιτητής στη μηχανολογία και την επιστήμη των υλικών στο Yale και ο πρώτος συγγραφέας της μελέτης.
Corey O’Hern, καθηγητής μηχανολογίας και επιστήμης υλικών στο Yale, τόνισε ότι παρά την επιτυχία των εργαλείων μηχανικής μάθησης σε άλλους τομείς, αυτές οι προσεγγίσεις δεν ήταν μέχρι στιγμής σε θέση να προβλέψουν ένα νέο χύμα μεταλλικό κράμα που σχηματίζει γυαλί. Έτσι, υπάρχει η ευκαιρία για εξερεύνηση μπροστά.
“Αυτή η εργασία αρχίζει να αντιμετωπίζει αυτό το ερώτημα, έτσι ώστε να μπορούν να αναπτυχθούν νέες μέθοδοι μηχανικής εκμάθησης για χύμα μεταλλικό γυαλί σχεδιασμού”, είπε ο O’Hern.
Οι συγγραφείς διαπίστωσαν ότι ανεξάρτητα από τη φύση των δεδομένων – στοιχειωδών, μη φυσικών και ανθρώπινων μαθημάτων – η ακρίβεια πρόβλεψης νέων κραμάτων με παρόμοια σύνθεση από το σύνολο δεδομένων εκπαίδευσης ήταν συγκρίσιμη μεταξύ των μοντέλων.
Ωστόσο, το μοντέλο μηχανικής εκμάθησης που βασίζεται στα 201 χαρακτηριστικά κράματος βρέθηκε να αποδίδει χειρότερα αποτελέσματα από το μοντέλο που βασίζεται στην ανθρώπινη μάθηση στην πρόβλεψη νέων κραμάτων των οποίων οι συνθέσεις ήταν αρκετά διαφορετικές από το σύνολο δεδομένων εκπαίδευσης.
«Αποκαλύπτει μια πολύ ισχυρή ιδέα: σύνθετα προβλήματα επιστήμης υλικών όπως ο σχηματισμός χύδην μεταλλικού γυαλιού απαιτούν φυσικές γνώσεις για την ανάπτυξη αποτελεσματικών και προβλέψιμων μοντέλων μηχανικής μάθησης», είπε ο Liu.
Δεδομένου ότι μεγάλο μέρος της δουλειάς είχε επικεντρωθεί στη σύγκριση διαφορετικών εργαλείων μηχανικής μάθησης στο παρελθόν, η προσέγγιση της ομάδας τους επέτρεψε να συγκρίνουν μια προσέγγιση μηχανικής μάθησης με την παραδοσιακή ανθρώπινη μάθηση με τη βοήθεια υπολογιστή, παρέχοντας μια πολύτιμη εικόνα για τις εφαρμογές της μηχανικής μάθησης στο σχεδιασμό υλικού .
Ο Sung Woo Sohn, συνεργάτης ερευνητής στο Τμήμα Μηχανολόγων Μηχανικών και Επιστήμης Υλικών στο Yale, αναλογίστηκε τη διαφορά στα αποτελέσματα μεταξύ του μοντέλου της μελέτης και του μοντέλου που βασίζεται στη μάθηση του ανθρώπου, σημειώνοντας πώς το μοντέλο που βασίζεται στη μάθηση του ανθρώπου επέδειξε μεγαλύτερη ικανότητα προέκταση από το γενικό μοντέλο μηχανικής μάθησης, «το οποίο κάνει μόνο ακριβείς προβλέψεις σε κοντινή απόσταση από τα γνωστά δεδομένα».
«Είναι σημαντικό να ανακαλύψουμε τον τομέα όπου η μηχανική μάθηση είναι χρήσιμη και εξίσου σημαντική όπου δεν είναι χρήσιμη», δήλωσε ο Marc D. Shattuck, καθηγητής φυσικής στο το City College της Νέας Υόρκης και συν-συγγραφέας αυτής της μελέτης. “Κάναμε τα πρώτα βήματα για να ορίσουμε αυτόν τον χρήσιμο τομέα στον τομέα του σχεδιασμού υλικού.”
Σύμφωνα με τον Liu, η ομάδα στοχεύει να επεκτείνει τη χρήση της μηχανικής μάθησης σε άλλους τομείς, όπως η περαιτέρω εξερεύνηση του βασίλειου του σχηματισμού γυαλιού καθώς και των δυνατοτήτων νέων χύμα μεταλλικών γυαλιών.
Η μελέτη παρουσιάστηκε στο περιοδικό Acta Materialia.