_ Rectificarea utilizării AI în căutarea materialelor termoelectrice

O echipă de cercetători a folosit AI pentru a identifica un material termoelectric cu valori favorabile. Grupul a reușit să navigheze prin capcanele convenționale ale AI și provocările de date mari, oferind un exemplu excelent al modului în care AI poate revoluționa știința materialelor. Detaliile au fost publicate în jurnalul Science China Materials pe 8 martie 2024.

„Metodele tradiționale de găsire a materialelor adecvate implică încercare și eroare, care necesită timp și adesea costisitoare”, proclamă Hao Li, profesor asociat la Institutul Avansat de Cercetare a Materialelor al Universității Tohoku (WPI-AIMR) și autor corespondent al lucrării. „AI transformă acest lucru prin analizarea bazelor de date pentru a identifica materiale potențiale care pot fi apoi verificate experimental.”

Totuși, provocările rămân. Seturile de date de materiale la scară largă conțin uneori erori, iar supraadaptarea proprietăților dependente de temperatură prezise este, de asemenea, o eroare comună. Supraadaptarea apare atunci când un model învață să capteze zgomotul sau fluctuațiile aleatoare ale datelor de antrenament, mai degrabă decât modelul sau relația de bază.

Ca urmare, modelul funcționează bine pe datele de antrenament, dar nu reușește să generalizeze noi, nevăzute. date. La prezicerea proprietăților dependente de temperatură, supraadaptarea ar putea duce la predicții inexacte atunci când modelul întâlnește noi condiții în afara intervalului datelor de antrenament.

Li și colegii săi au căutat să depășească acest lucru pentru a dezvolta un material termoelectric. Aceste materiale transformă energia termică în energie electrică sau invers. Astfel, obținerea unei dependențe extrem de precise de temperatură este esențială.

„În primul rând, am efectuat o serie de acțiuni raționale pentru a identifica și elimina datele îndoielnice, obținând 92.291 de puncte de date cuprinzând 7.295 de compoziții și temperaturi diferite din baza de date Starrydata2. — o bază de date online care colectează date digitale din lucrările publicate”, afirmă Li.

Apoi, cercetătorii au construit modele de construcție a mașinilor folosind metoda Arborelui de decizie pentru creșterea gradului. Modelul a atins valori remarcabile R2 0,89, ~0,90 și ~0,89 pe setul de date de antrenament, setul de date de testare și noile date experimentale în afara eșantionului lansate în 2023, demonstrând acuratețea modelelor în prezicerea materialelor nou disponibile.

„Am putea folosi acest model pentru a efectua o evaluare la scară largă a materialelor stabile din baza de date Materials Project, prezicând potențiala performanță termoelectrică a noilor materiale și oferind îndrumări pentru experimente”, afirmă Xue Jia, profesor asistent la WPI- AIMR și coautor al lucrării.

În cele din urmă, studiul ilustrează importanța respectării unor linii directoare riguroase atunci când vine vorba de preprocesarea și împărțirea datelor în învățarea automată, astfel încât să abordeze problemele presante din știința materialelor. . Cercetătorii sunt optimişti că strategia lor poate fi aplicată şi altor materiale, cum ar fi electrocatalizatorii şi bateriile.

(Fluierul)