Pembelajaran mesin membuka tahap seterusnya dalam Ramalan Tingkah Laku

semasa mengkaji sifat-sifat bahan seperti keluli tahan karat, mustahil untuk melakukan eksperimen berasingan pada pembesaran tinggi sedemikian rupa sehingga setiap parameter dapat difahami — setiap suhu, setiap sudut pemuatan, setiap jumlah tekanan. Oleh itu, kita sering bergantung pada model.

"Daripada menggunakan model fizik yang sangat terperinci dan rumit dengan banyak parameter yang sesuai, kami menggunakan pembelajaran mesin untuk melatih rangkaian saraf untuk membuat ramalan ini," kata para penyelidik. "Pembelajaran mesin memotong keperluan untuk pemodelan terperinci semua fizik di balik proses dan membuat semacam hubungan langsung, atau pas, antara input dan output.

Ini adalah kali pertama teknik ini diterapkan untuk mengetahui apa yang berlaku dalam struktur mikro logam dalam pelbagai keadaan pemuatan. "Dalam kes ini, kami ingin melihat berapa banyak regangan yang terkumpul pada batas butir dalam logam polikristalin semasa merayap." penyelidik menjelaskan bahawa merayap adalah kecenderungan bahan padat untuk berubah bentuk di bawah beban berterusan, seperti beberapa rak buku yang akhirnya bengkok di bawah berat buku.

"Kami percaya perbezaan fizikal antara dua butir yang bersebelahan dengan batas akan menjadi lebih penting, atau sekurang-kurangnya parameter yang sama pentingnya. Oleh itu, penemuan yang paling luar biasa bagi saya ialah satu parameter geometri tunggal dapat meramalkan hasilnya 80 peratus masa, ”kata pasukan. "Ini adalah geometri - sudut di mana anda memuatkannya yang membuat perbezaan paling banyak. Saya mendapati perkara itu tidak dijangka dan menarik - bukan semestinya mempengaruhi keputusannya, tetapi ia melakukannya secara dramatik. Ia mengejutkan kerana ini bermaksud bahawa semua model pelbagai skala canggih yang kita lakukan untuk memahami semua fizik mungkin hanya penting sekitar 20 peratus. "

Sebagai yang pertama seumpamanya, mesti ada kajian lebih mendalam lagi sebelum kita dapat mengatakan bahawa ini benar.

Penyelidik menyatakan bahawa ia berfungsi dalam kes 70 hingga 80 persen pada masa itu, tetapi ia tidak meramalkan tindak balas semua batas di mana-mana. Ini bermaksud bahawa ada faktor lain di luar sudut yang mempengaruhi apa yang berlaku. Cuma ini adalah yang paling penting atau yang pertama.

"Model pembelajaran mesin yang kami buat setakat ini hanya berfungsi di dekat batas butir," kata mereka. "Kami belum dapat meramalkan apa yang berlaku di bahagian dalam bijirin. Jadi, nombor satu, kita memerlukan satu set input yang berbeza yang juga berfungsi di kawasan pedalaman. Kami mempunyai mereka secara eksperimen, tetapi kami perlu mengembangkan model yang berbeza dan mengisi jurang.

"Pada akhirnya, apa yang kita mahukan adalah hanya dapat menunjukkan gambar struktur mikro ke algoritma dan algoritma akan memberitahu kita kapan dan di mana bahan tersebut akan gagal. Tetapi, daripada melakukan yang besar rangkaian neural dari awal hingga akhir, kita akan melakukan langkah di antara yang mewakili fizik di belakangnya dan dalam setiap langkah, kita akan menggunakan pembelajaran mesin untuk menentukan input dan output yang sesuai. "