למידת מכונה פותחת את הרמה הבאה בחיזוי התנהגות

עדכון: 6 באוגוסט 2023
למידת מכונה פותחת את הרמה הבאה בחיזוי התנהגות

בעין בלתי מזוינת, יריעת נירוסטה מציגה משטח חלק, מלוטש, הומוגני. אותו חומר כאשר הוא נצפה בהגדלה פי 400 חושף את המבנה המעורבב האמיתי שלו - צורות קריסטל שונות, המחוברות בזוויות שונות בתכלית. חוקרים מאוניברסיטת אילינוי אורבנה-שמפיין השתמשו בנתונים מתמונות ברזולוציה גבוהה של דגימות נירוסטה כדי לאמן רשתות עצביות המנבאות כיצד החומר יתנהג במקומות שבהם הגבישים נפגשים בעת מתיחות.

כאשר בוחנים את המאפיינים של חומר כגון נירוסטה, אי אפשר לערוך ניסויים נפרדים בהגדלות כה גבוהות הכפופות לו לכל פרמטר שניתן להעלות על הדעת - כל טמפרטורה, כל זווית העמסה, כל כמות לחץ. אז לעתים קרובות אנו מסתמכים על מודלים.

"במקום להשתמש במודל פיזיקלי מפורט ומסורבל ביותר עם הרבה פרמטרים מתאימים, השתמשנו בלמידת מכונות כדי לאמן רשת עצבית לביצוע תחזיות אלה", אמרו החוקרים. "למידת מכונה עוקפת את הצורך בדוגמנות מפורטת של כל הפיסיקה העומדת מאחורי התהליך ועושה מעין קישור ישיר או התאמה בין התשומות לתפוקות.

זוהי הפעם הראשונה שטכניקה זו יושמה כדי ללמוד מה קורה במבנה מיקרו מתכתי בתנאי העמסה שונים. "במקרה זה, רצינו לראות כמה עומס מצטבר בגבולות התבואה במתכת פולי -גבישית במהלך זחילה." חוקרים הסבירו כי זחילה היא הנטייה לחומר מוצק להתעוות בעומס מתמשך, בדומה לכמה מדפי ספרים שבסופו של דבר מתכופפים מתחת למשקל הספרים.

"האמנו שההבדלים הפיזיים בין שני הדגנים הסמוכים לגבול יהיו חשובים יותר, או לפחות פרמטר חשוב לא פחות. לכן, הממצא המדהים ביותר מבחינתי היה שפרמטר גיאומטרי אחד מסוגל לחזות את התוצאות 80 אחוז מהזמן ", אמרו בצוות. "הגיאומטריה - הזווית שבה אתה טוען היא שעשתה את ההבדל הגדול ביותר. גיליתי שזה לא צפוי ומעניין - לא שזה לא אמור להשפיע על התוצאות, אלא שזה עשה זאת באופן דרמטי. זה היה מפתיע כי זה אומר שכל הדוגמניות המתוחכמות והרב-סיקוניות האלה שאנחנו עושים כדי להבין את כל הפיזיקה אולי רק חשובות בכ -20 אחוזים ".

בהיותו הראשון מסוגו, חייבים להיות הרבה יותר מעמיקים לפני שנוכל לומר שזה נכון באופן כללי.

חוקרים ציינו כי היא פועלת במקרים 70 עד 80 אחוזים מהזמן, אך היא אינה מנבאת את תגובת כל הגבולות בכל מקום. המשמעות היא שיש גורמים נוספים מעבר לזווית שמשפיעים על המתרחש. רק שזה החשוב ביותר או המסדר הראשון.

"מודל הלמידה המכונה שעבדנו עד כה רק ליד גבולות התבואה", אמרו. "אנחנו עדיין לא יכולים לחזות מה קורה בפנים הדגנים. אז, מספר אחת, אנחנו צריכים מערך תשומות אחר שיפעל גם בפנים. יש לנו אותם בניסוי, אך עלינו לפתח מודל אחר ולמלא את החסר.

"בסופו של דבר, מה שאנחנו רוצים זה להיות מסוגל רק להציג תמונה של המיקרו לאלגוריתם והאלגוריתם יגיד לנו מתי והיכן החומר ייכשל. אבל, במקום לעשות אחד גדול רשת עצבית מתאימים מההתחלה עד הסוף, אנחנו הולכים לבצע צעדים בין לבין המייצגים את הפיזיקה שמאחוריו ובתוך כל שלב נשתמש בלמידת מכונה כדי לקבוע את התשומות והתפוקות המתאימות. "

ELE טיימס
+ פוסטים
  • Keysight מצטרפת ליוזמת שותפי Google בענן לתמיכה בתזמורת זריזה של שירותי 5G חדשניים ברשת Edge
  • מקור פוטנציאלי חדש לאנרגיה מתחדשת
  • כיצד ה-FT160 תומך בבקרת איכות בפוסט-COVID סמיקונדקטור רמפה-אפ
  • FP-AI-FACEREC1: הורדת המחסום למידת מכונה חושפת יישומים חדשים