機械学習が行動予測の次のレベルを解き放つ

ステンレス鋼などの材料の特性を研究する場合、考えられるすべてのパラメータ（すべての温度、すべての荷重角度、すべての圧力）にさらされるような高倍率で個別の実験を行うことは不可能です。 だから我々は、多くの場合、モデルに依存しています。

「多くのフィッティングパラメータを備えた非常に詳細で面倒な物理モデルを使用するのではなく、機械学習を使用してニューラルネットワークをトレーニングし、これらの予測を行いました」と研究者は述べています。 「機械学習は、プロセスの背後にあるすべての物理学の詳細なモデリングの必要性を回避し、入力と出力の間に一種の直接リンクまたはフィッティングを行います。

この手法を適用して、さまざまな荷重条件下で金属微細構造に何が起こるかを学習するのはこれが初めてです。 「この場合、クリープ中に多結晶金属の粒界にどれだけのひずみが蓄積するかを確認したかったのです。」 研究者は、クリープは、一部の本棚が最終的に本の重さで曲がるのと同じように、継続的な負荷の下で固体材料が変形する傾向であると説明しました。

「境界に隣接する80つの粒子間の物理的な違いがより重要であるか、少なくとも同等に重要なパラメーターであると考えました。 したがって、私にとって最も注目に値する発見は、20つの幾何学的パラメーターでXNUMX％の時間で結果を予測できたということでした」とチームは述べています。 「最も大きな違いをもたらしたのは、ジオメトリです。ロードする角度です。 予想外で興味深いことに気づきました。結果に影響を与えるべきではないということではなく、劇的に影響を与えたということです。 すべての物理学を理解するために私たちが行うこの洗練されたマルチスケールモデリングは、おそらく約XNUMX％しか重要ではないことを意味するので、驚くべきことでした。」

この種の最初のものであるため、これが普遍的に真実であると言える前に、もっと深く研究する必要があります。

研究者は、70〜80％の確率で機能するが、あらゆる場所のすべての境界の応答を予測するわけではないと述べました。 これは、何が起こっているかに影響を与えている角度だけでなく、他の要因があることを意味します。 これが最も重要なものまたは一次のものであるというだけです。

「これまでの機械学習モデルは、粒界の近くでしか機能しませんでした」と彼らは言いました。 「我々はまだ穀物の内部で何が起こるか予測することはできません。 したがって、第XNUMXに、内部でも機能する別の入力セットが必要です。 実験的に持っていますが、別のモデルを開発してギャップを埋める必要があります。

「最終的に、私たちが望んでいるのは、微細構造の画像をアルゴリズムに表示できるようにすることです。アルゴリズムは、材料がいつどこで故障するかを教えてくれます。 しかし、ではなく、一つの大きなをやって ニューラルネットワーク 最初から最後まで、その背後にある物理学を表すステップを実行し、各ステップ内で、機械学習を利用して適切な入力と出力を決定します。」