Entwicklung einer vielseitigen, präzisen KI-Vorhersagetechnik selbst bei einer geringen Anzahl von Experimenten

21.12.2021 - Japan

NIMS, Asahi Kasei, Mitsubishi Chemical, Mitsui Chemicals und Sumitomo Chemical haben die offene Plattform für chemische Werkstoffe genutzt, um ein KI-Verfahren zu entwickeln, das die Genauigkeit von auf maschinellem Lernen basierenden Vorhersagen von Materialeigenschaften (z. B. Festigkeit, Sprödigkeit) durch die effiziente Nutzung von Materialstrukturdaten erhöht, die aus einer geringen Anzahl von Experimenten gewonnen wurden. Diese Technik kann die Entwicklung verschiedener Materialien, darunter auch Polymere, beschleunigen.

Die Materialinformatikforschung nutzt Modelle des maschinellen Lernens zur Vorhersage der physikalischen Eigenschaften von Materialien auf der Grundlage von Zusammensetzungs- und Verarbeitungsparametern (z. B. Temperatur und Druck). Dieser Ansatz hat die Entwicklung von Werkstoffen beschleunigt. Wenn bekannt ist, dass die physikalischen Eigenschaften von Werkstoffen stark von ihrer Mikrostruktur nach der Verarbeitung beeinflusst werden, kann die Vorhersagegenauigkeit des Modells effektiv verbessert werden, indem mikrostrukturbezogene Daten (z. B. Röntgenbeugung (X-ray diffraction, XRD) und dynamische Differenzkalorimetriedaten (differential scanning calorimetry, DSC) in das Modell einbezogen werden. Derartige Daten können jedoch nur durch die Analyse der verarbeiteten Materialien gewonnen werden. Um die Vorhersagegenauigkeit zu verbessern, müssen zusätzlich zu diesen Analysen bestimmte Parameter (z. B. die Materialzusammensetzung) vorgegeben werden.

Diese Forschungsgruppe hat ein KI-Verfahren entwickelt, mit dem zunächst potenziell vielversprechende Materialkandidaten für die Herstellung ausgewählt und dann ihre physikalischen Eigenschaften anhand von XRD-, DSC- und anderen Messdaten, die nur von einer kleinen Anzahl tatsächlich synthetisierter Materialien stammen, genau vorhergesagt werden können. Diese Technik wählt die Materialkandidaten mithilfe von Bayes'scher Optimierung und anderen Methoden aus und wiederholt den KI-basierten Auswahlprozess, während Messdaten in maschinelle Lernmodelle einfließen. Um die Wirksamkeit der Technik zu überprüfen, setzte die Gruppe sie zur Vorhersage der physikalischen Eigenschaften von Polyolefinen ein. Es zeigte sich, dass diese Technik die Vorhersagegenauigkeit von Modellen des maschinellen Lernens mit einer kleineren Stichprobe von tatsächlich synthetisierten Materialien verbessert als Methoden, bei denen die Kandidatenmaterialien zufällig ausgewählt werden.

Die Anwendung dieser Technik zur Verbesserung der Vorhersagegenauigkeit könnte ein gründlicheres Verständnis der Beziehung zwischen den Strukturen der Materialien und den physikalischen Eigenschaften ermöglichen, was die Untersuchung der grundlegenden Ursachen der Materialeigenschaften und die Formulierung effizienterer Richtlinien für die Materialentwicklung erleichtern würde. Darüber hinaus ist davon auszugehen, dass diese Technik nicht nur für Polyolefine und andere Polymere, sondern auch für die Entwicklung einer breiten Palette von Werkstoffen anwendbar ist, wodurch der digitale Wandel (DX) in der Werkstoffentwicklung gefördert wird.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Ryo Tamura et al.; "Experimental design for the highly accurate prediction of material properties using descriptors obtained by measurement"; Science and Technology of Advanced Materials Methods; 2021

https://www.chemie.de/news/1174016/entwicklung-einer-vielseitigen-praezisen-ki-vorhersagetechnik-selbst-bei-einer-geringen-anzahl-von-experimenten.html