Makine öğrenimi Davranış Tahmininde Sonraki Seviyenin Kilidini Açıyor

Paslanmaz çelik gibi bir malzemenin özellikleri incelenirken, bu kadar yüksek büyütmelerde, onu akla gelebilecek her parametreye (her sıcaklığa, her yükleme açısına, her basınç miktarına) tabi tutacak ayrı deneyler yapmak imkansızdır. Bu yüzden sıklıkla modellere güveniriz.

Araştırmacılar, "Birçok uygun parametreye sahip son derece ayrıntılı ve hantal bir fizik modeli kullanmak yerine, bu tahminleri yapmak için bir sinir ağını eğitmek için makine öğrenimini kullandık" dedi. "Makine öğrenimi, sürecin arkasındaki tüm fiziğin ayrıntılı modelleme ihtiyacını atlıyor ve girdiler ile çıktılar arasında bir tür doğrudan bağlantı veya uyum sağlıyor.

Bu teknik, çeşitli yükleme koşulları altında metal bir mikro yapıda neler olduğunu öğrenmek için ilk kez uygulanıyor. "Bu durumda, çok kristalli bir metalde sürünme sırasında tane sınırlarında ne kadar gerilim biriktiğini görmek istedik." araştırmacılar, bazı kitap raflarının sonunda kitapların ağırlığı altında bükülmesi gibi, sünmenin katı bir malzemenin sürekli yük altında deforme olma eğilimi olduğunu açıkladı.

"Sınıra bitişik iki tanecik arasındaki fiziksel farklılıkların daha önemli veya en azından eşit derecede önemli bir parametre olacağına inandık. Dolayısıyla benim için en dikkate değer bulgu, tek bir geometrik parametrenin sonuçları yüzde 80 oranında tahmin edebilmesiydi" dedi ekip. “En fazla farkı yaratan şey geometri, yani onu yüklediğiniz açıdır. Bunu beklenmedik ve ilginç buldum; sonuçları etkilememesi gerektiğinden değil ama bunu dramatik bir şekilde yaptığından. Bu şaşırtıcıydı çünkü bu, tüm fiziği anlamak için yaptığımız tüm bu karmaşık, çok ölçekli modellemenin belki de yalnızca yüzde 20 kadar önemli olduğu anlamına geliyor."

Türünün ilk örneği olduğundan bunun evrensel olarak doğru olduğunu söyleyebilmemiz için daha derinlemesine çalışmalar yapılması gerekir.

Araştırmacılar, vakaların yüzde 70 ila 80'inde işe yaradığını ancak her yerde tüm sınırların tepkisini tahmin edemediğini belirtti. Bu, olup bitenleri etkileyen açının ötesinde başka faktörlerin de olduğu anlamına gelir. Sadece bu en önemli veya birinci dereceden olanıdır.

"Şu ana kadar kullandığımız makine öğrenimi modeli yalnızca tahıl sınırlarının yakınında çalıştı" dediler. “Tahılın iç kısmında neler olacağını henüz tahmin edemiyoruz. Öncelikle iç mekanda da çalışacak farklı girdilere ihtiyacımız var. Deneysel olarak elimizde var ama farklı bir model geliştirip boşlukları doldurmamız gerekiyor.

"Sonuçta istediğimiz şey, algoritmaya yalnızca mikro yapının bir görüntüsünü gösterebilmek ve algoritma bize malzemenin ne zaman ve nerede başarısız olacağını söyleyecektir. Ama büyük bir şey yapmak yerine sinir ağı Baştan sona uygun, arkasında yatan fiziği temsil eden adımları atacağız ve her adımda uygun girdi ve çıktıları belirlemek için makine öğreniminden yararlanacağız."