การเรียนรู้ของเครื่องทำให้วัสดุนาโนอยู่ในภาพ

คุณสมบัติที่หลากหลายของวัสดุนาโนสามารถเป็นภัยได้มากเท่ากับโบนัสสำหรับนักวิจัยที่กระตือรือร้นที่จะนำไปใช้ให้เกิดประโยชน์ Amanda Barnardหัวหน้านักวิทยาศาสตร์วิจัยใน Data61 ที่ Commonwealth Scientific อธิบายว่า “วัสดุนาโนมีความท้าทายทั้งหมดของโมเลกุล (เช่น ขนาดที่จำกัด พื้นผิว และการทำงานทางเคมี) รวมกับความซับซ้อนของวัสดุ (เช่น ข้อบกพร่อง สิ่งเจือปน และความผิดปกติ) และองค์การวิจัยอุตสาหกรรม ( CSIRO ) 

ในประเทศออสเตรเลีย แมชชีนเลิร์นนิงเป็นวิธีที่มี

ประสิทธิภาพในการนำทางความซับซ้อนนั้นและรวมคุณลักษณะทั้งหมดเหล่านี้ในการคาดคะเนของเราการ รายงานในJournal of Physics: Materials Barnard และเพื่อนร่วมงานของ CSIRO Baichuan Sunแสดงให้เห็นว่าอัลกอริธึมการลดขนาดที่ใช้ในชีวสารสนเทศ การเงิน การขนส่ง และสังคมศาสตร์สามารถช่วยให้นักวิทยาศาสตร์ด้านวัสดุมองเห็นข้อมูลด้วยคุณสมบัติการกำหนดจำนวนมาก – ตัวอธิบาย – และเพื่อช่วย ระบุรูปแบบในความสัมพันธ์ระหว่างโครงสร้างและฟังก์ชัน 

อัลกอริธึมเหล่านี้ส่วนใหญ่อยู่ภายใต้เรดาร์ของนักวิทยาศาสตร์ด้านวัสดุเนื่องจากไม่ได้พัฒนาโดยคำนึงถึงการใช้งานเหล่านี้ อย่างไรก็ตาม ในฐานะผู้เชี่ยวชาญด้านวัสดุศาสตร์ของกลุ่มที่เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิง บาร์นาร์ดและซันต้องเผชิญกับเครื่องมือข้อมูลที่หลากหลายกว่านักวิจัยส่วนใหญ่ในกลุ่มที่เชี่ยวชาญด้านวัสดุศาสตร์

“‘นาโนอินฟอร์เมติกส์’ (การใช้วิทยาศาสตร์ข้อมูลและการเรียนรู้ด้วยเครื่องเพื่อสำรวจความสัมพันธ์ของโครงสร้าง/คุณสมบัติที่ซับซ้อนในวัสดุระดับนาโน) กำลังเริ่มปรากฏขึ้น” บาร์นาร์ดอธิบาย อย่างไรก็ตาม เธอคาดการณ์ว่าการอ้างสิทธิ์ดังกล่าวจะเพิ่มความโดดเด่นในการศึกษาวัสดุนาโนเพื่อจัดการกับความซับซ้อน “ตามธรรมเนียมแล้ว ความสัมพันธ์ระหว่างโครงสร้าง/ทรัพย์สินนั้นขึ้นอยู่กับสมมติฐานหรือสัญชาตญาณของนักวิจัย 

จากนั้นจึงวัดและวางแผนอย่างจงใจ

เพื่อยืนยันแนวโน้ม แมชชีนเลิร์นนิงไม่ต้องการสมมติฐานอินพุต และหากมีความสัมพันธ์ (รูปแบบ) อยู่ในข้อมูล ข้อมูลนั้นก็จะปรากฏขึ้นตามธรรมชาติ โดยไม่คำนึงว่าจะมีการคาดการณ์และกำหนดเป้าหมายในชุดการทดลองหรือการจำลองดั้งเดิมหรือไม่”

โดยเฉพาะอย่างยิ่ง Barnard เน้นถึงข้อดีของอัลกอริธึมการลดขนาดที่เธอและ Sun ได้ร่วมงานด้วย ซึ่งช่วยให้นักวิจัย “เห็น” ผลการจำแนกลักษณะที่บันทึกคุณสมบัติและคุณลักษณะต่างๆ ในอนุภาคนาโนประเภทต่างๆ “มนุษย์สามารถจดจำรูปแบบภาพได้ดีมาก และนักวิจัยที่มีความคุ้นเคยอย่างใกล้ชิดกับวัสดุและข้อมูลของพวกเขาจะไม่ใช้ความสามารถนี้ในการค้นคว้าของพวกเขา”

การทำแผนที่ลักษณะลักษณะเฉพาะที่กำหนดอนุภาคนาโน ได้แก่ ลักษณะทางโครงสร้าง เช่น รูปร่าง ปริมาตร เศษส่วนของลูกบาศก์อะตอมที่อยู่ตรงกลางใบหน้า หรือความเข้มข้นของข้อบกพร่อง ตลอดจนคุณสมบัติทางพฤติกรรมที่อาจรวมถึงศักยภาพในการแตกตัวเป็นไอออน ความสัมพันธ์ของอิเล็กตรอน หรือแถบช่องว่าง พารามิเตอร์การเตรียมการ เช่น เวลาการเติบโตหรืออัตราและอุณหภูมิยังเป็นตัวกำหนดคุณสมบัติอีกด้วย ชุดข้อมูล Barnard และ Sun ทำงานจากคุณลักษณะเหล่านี้รวมถึงคุณลักษณะอื่นๆ อีกมากมาย ลักษณะทั้งหมดเหล่านี้เท่ากับมิติข้อมูลจำนวนมากสำหรับแต่ละจุดข้อมูล ด้วยการสร้างแผนที่ 2D ของอนุภาคนาโนที่เข้ารหัสโดยคุณลักษณะหนึ่งคุณลักษณะในแต่ละครั้ง ในขณะที่ลดมิติข้อมูลลง นักวิจัยสามารถเปรียบเทียบแผนที่ 2D เพื่อเลือกแนวโน้มได้อย่างง่ายดาย

อัลกอริทึมที่สามารถลดมิติของข้อมูล

ประเภทนี้ลงในแผนที่ 2 มิติ ได้แก่ t-distributed stochastic neighbor embedding (t-SNEs) และ self-organisation maps (SOMs) หรือที่เรียกว่าเครือข่าย Kohonen แผนที่ที่ใช้อัลกอริทึม SOM ประกอบด้วยตารางของหน่วยที่ทำหน้าที่เป็น “เซลล์ประสาท” แต่ละเซลล์ประสาทเริ่มต้นด้วยค่าสุ่ม ในขั้นตอนการเรียนรู้ของเครื่อง สำหรับแต่ละจุดข้อมูลที่บันทึกไว้ อัลกอริธึมจะค้นหากริดเพื่อหาหน่วยที่ตรงกับค่ามากที่สุดโดยใช้ความแตกต่าง ค่าของเซลล์ประสาทที่ “หน่วยที่ตรงกันที่ดีที่สุด” นี้และเซลล์ที่อยู่ใกล้ที่สุดจะได้รับการอัปเดตเป็น “น้ำหนัก” ในส่วนที่เกี่ยวกับข้อมูลที่ตรงกัน t-SNE มีความคล้ายคลึงกันในบางแง่มุม แต่ให้น้ำหนักกริดตามความน่าจะเป็น ดังนั้นระยะทางและทิศทางบนแผนที่ที่แสดงผลจึงไม่มีความหมาย

การปฏิวัติแมชชีนเลิร์นนิงBarnard และ Sun ใช้อัลกอริธึมทั้งสองชุดกับข้อมูลสองชุด ชุดแรกสำหรับอนุภาคนาโนเงิน และอีกชุดสำหรับอนุภาคนาโนแพลตตินัม พวกเขาแสดงให้เห็นว่าพวกเขาสามารถระบุความสัมพันธ์ของโครงสร้าง/ฟังก์ชันโดยใช้อัลกอริธึมทั้งสองได้อย่างไร “ความสัมพันธ์ของโครงสร้าง/คุณสมบัติบางอย่างที่เราระบุในบทความนี้เป็นที่ทราบกันดีอยู่แล้ว (และเป็นการทดสอบที่สำคัญว่าวิธีการเหล่านี้สามารถทำนายคำตอบที่ถูกต้องเมื่อเรารู้แล้วว่ามันคืออะไร) และบางส่วนมีความเหมาะสมยิ่งขึ้น และก่อนหน้านี้ถูกซ่อนไว้เพราะคำสาป ของมิติข้อมูลป้องกันการตีความตรงไปตรงมาโดยใช้วิธีการทั่วไป” Barnard บอกPhysics World

ข้อได้เปรียบของ SOM Barnard ชี้ให้เห็นว่าหนึ่งในข้อจำกัดที่ใหญ่ที่สุดในการระบุความสัมพันธ์ของโครงสร้าง/ทรัพย์สินในวัสดุและนาโนศาสตร์คือชุดข้อมูลมักจะลำเอียงโดยนักวิทยาศาสตร์ที่คัดเลือกล่วงหน้าเมื่อกำหนดเป้าหมายการใช้งานเฉพาะ แมชชีนเลิร์นนิงสามารถขยายอคติเหล่านี้ได้

Barnard และ Sun แสดงให้เห็นว่าอัลกอริธึม SOM ในที่นี้อาจมีข้อดี เนื่องจากการแสดงคุณลักษณะเฉพาะมากเกินไปจะไม่ส่งผลต่อประสิทธิภาพของอัลกอริธึม SOM นอกจากนี้ยังสร้างแผนที่ของข้อมูลที่กระจัดกระจายอย่างต่อเนื่อง ในขณะที่แผนที่ t-SNE มักจะมีกลุ่มที่อาจทำให้เข้าใจผิดได้ งานในอนาคตจะพิจารณาเพิ่มเติมว่าวิธีการที่นักวิทยาศาสตร์คอมพิวเตอร์ได้พัฒนาขึ้นนั้นเหมาะสมที่สุดเพื่อจัดการกับปัญหาประเภทต่างๆ ที่เกิดขึ้นในการวิจัยด้านวัสดุศาสตร์

ในการวิเคราะห์อื่นๆ กลุ่มได้พิจารณาถึงตัวทำนายที่เป็นไปได้ในระดับผู้สำเร็จราชการ ซึ่งเป็นการแบ่งแยกทางการเมืองที่ใหญ่กว่าเมืองและเล็กกว่าจังหวัด จากตัวทำนายเหล่านี้ พวกเขาสร้างชุดของแบบจำลองทางสถิติที่ต่างกันไปตามประสิทธิภาพของการนับจำนวนการเกิดเพลิงไหม้ในแต่ละรีเจนซี่

Credit : เกมส์ออนไลน์แนะนำ >>>สล็อตเว็บตรง