การเรียนรู้ของเครื่องปลดล็อกระดับถัดไปในการทำนายพฤติกรรม

เมื่อศึกษาคุณสมบัติของวัสดุ เช่น สแตนเลส เป็นไปไม่ได้ที่จะทำการทดลองแยกกันโดยใช้กำลังขยายสูงขนาดนั้น ซึ่งต้องอยู่ภายใต้พารามิเตอร์ทุกประการที่เป็นไปได้ — ทุกอุณหภูมิ ทุกมุมรับน้ำหนัก ทุกแรงกด เราจึงมักพึ่งพาแบบจำลอง

นักวิจัยกล่าวว่า "แทนที่จะใช้แบบจำลองทางฟิสิกส์ที่มีรายละเอียดและยุ่งยากมากซึ่งมีพารามิเตอร์ที่เหมาะสมจำนวนมาก เราใช้การเรียนรู้ของเครื่องเพื่อฝึกโครงข่ายประสาทเทียมเพื่อคาดการณ์เหล่านี้" “แมชชีนเลิร์นนิงข้ามความจำเป็นในการสร้างแบบจำลองโดยละเอียดของฟิสิกส์ทั้งหมดที่อยู่เบื้องหลังกระบวนการ และสร้างการเชื่อมโยงโดยตรงหรือความเหมาะสมระหว่างอินพุตและเอาต์พุต

นี่เป็นครั้งแรกที่เทคนิคนี้ถูกนำมาใช้เพื่อเรียนรู้ว่าเกิดอะไรขึ้นในโครงสร้างจุลภาคของโลหะภายใต้สภาวะการรับน้ำหนักต่างๆ “ในกรณีนี้ เราต้องการดูว่าความเครียดสะสมที่ขอบเกรนในโลหะโพลีคริสตัลไลน์มากน้อยเพียงใดในระหว่างการคืบคลาน” นักวิจัยอธิบายว่าการคืบเป็นแนวโน้มที่วัสดุแข็งจะเปลี่ยนรูปภายใต้ภาระที่ต่อเนื่อง เหมือนกับชั้นวางหนังสือบางชั้นในที่สุดจะโค้งงอภายใต้น้ำหนักของหนังสือ

“เราเชื่อว่าความแตกต่างทางกายภาพระหว่างเมล็ดพืชสองชนิดที่อยู่ติดกับขอบจะมีความสำคัญมากกว่า หรืออย่างน้อยก็มีความสำคัญเท่าเทียมกัน ดังนั้นการค้นพบที่น่าทึ่งที่สุดสำหรับฉันคือพารามิเตอร์ทางเรขาคณิตตัวเดียวสามารถทำนายผลลัพธ์ได้ 80 เปอร์เซ็นต์ของเวลา” ทีมงานกล่าว “มันคือเรขาคณิต—มุมที่คุณโหลดมันที่สร้างความแตกต่างได้มากที่สุด ฉันพบว่าสิ่งที่ไม่คาดคิดและน่าสนใจ—ไม่ใช่ว่าไม่ควรมีอิทธิพลต่อผลลัพธ์ แต่การทำเช่นนั้นอย่างมาก มันน่าประหลาดใจเพราะมันหมายความว่าการสร้างแบบจำลองหลายขนาดที่ซับซ้อนและซับซ้อนทั้งหมดที่เราทำเพื่อทำความเข้าใจฟิสิกส์ทั้งหมดอาจมีความสำคัญเพียง 20 เปอร์เซ็นต์เท่านั้น”

การเป็นคนแรกในประเภทนี้ จะต้องมีการศึกษาเชิงลึกมากกว่านี้อีกมากก่อนที่เราจะกล่าวได้ว่านี่เป็นเรื่องจริงในระดับสากล

นักวิจัยตั้งข้อสังเกตว่ามันได้ผลในกรณีที่ 70 ถึง 80 เปอร์เซ็นต์ของเวลา แต่ไม่ได้คาดการณ์การตอบสนองของขอบเขตทั้งหมดทุกที่ ซึ่งหมายความว่ามีปัจจัยอื่นๆ นอกเหนือจากมุมที่มีอิทธิพลต่อสิ่งที่เกิดขึ้น เป็นเพียงสิ่งที่สำคัญที่สุดหรืออันดับแรกเท่านั้น

"โมเดลการเรียนรู้ด้วยเครื่องที่เราได้ทำงานมาจนถึงตอนนี้ทำงานใกล้ขอบเขตของเมล็ดพืชเท่านั้น" พวกเขากล่าว “เรายังไม่สามารถคาดเดาสิ่งที่เกิดขึ้นภายในเมล็ดพืชได้ ประการแรก เราต้องการชุดอินพุตที่แตกต่างกันซึ่งจะทำงานในการตกแต่งภายในด้วย เรามีการทดลอง แต่เราจำเป็นต้องพัฒนาแบบจำลองที่แตกต่างกันและเติมช่องว่าง

“สุดท้ายแล้ว สิ่งที่เราต้องการคือสามารถแสดงภาพโครงสร้างจุลภาคให้กับอัลกอริธึม และอัลกอริธึมจะบอกเราว่าวัสดุจะล้มเหลวเมื่อใดและที่ไหน แต่แทนที่จะทำเรื่องใหญ่ๆ อย่างหนึ่ง เครือข่ายประสาท เหมาะสมตั้งแต่ต้นจนจบ เราจะทำขั้นตอนระหว่างที่เป็นตัวแทนของฟิสิกส์ที่อยู่เบื้องหลัง และในแต่ละขั้นตอน เราจะใช้การเรียนรู้ของเครื่องเพื่อกำหนดอินพุตและเอาต์พุตที่เหมาะสม”