חוקרים הדגימו לאחרונה כיצד אסטרטגיית תכנון מסתגלת, המבוססת על מידע מקיף, מסוגלת להאיץ את הגילוי של חומרים חדשים בעלי תכונות מותאמות.
[תרגום מאת ד”ר נחמני משה]
חוקרים הדגימו לאחרונה כיצד אסטרטגיית תכנון מסתגלת, המבוססת על מידע מקיף, מסוגלת להאיץ את הגילוי של חומרים חדשים בעלי תכונות מותאמות. ממצאי המחקר פורסמו לאחרונה בכתב-העת המדעי Nature Communications. “מה שעשינו היה להוכיח כי מתוך אוסף נתונים די מצומצם של ניסויים מבוקרים במיוחד ניתן להכווין את הניסויים הבאים במטרה למצוא את החומר עם התכונה הנדרשת”, אמר Turab Lookman, פיזיקאי במעבדה הלאומית לוס אלמוס בארה”ב.
“מציאת חומרים חדשים נעשתה באופן מסורתי על ידי אינטואיציה ובדרך של ‘ניסוי וטעייה’,” מסביר החוקר. “אולם, עם הגאות במורכבות הכימית, אפשרויות השילוב הפכו לרבות מדי במסגרת הגישה של ‘ניסוי וטעייה’.” על מנת לפתור את הבעיה הזו, החוקרים השתמשו בלמידה חישובית (machine learning) על מנת להאיץ את תהליך הגילוי. החוקרים הצליחו לפתח מסגרת העושה שימוש באי-ודאויות על מנת להכווין את הניסויים הבאים במטרה למצוא סגסוגות זיכרון בעלות פיזור תרמי נמוך מאוד. סגסוגות מסוג זה חיוניות לשיפור אורך חייהן ויציבותן ביישומים הנדסיים. “היעד שלנו היה לצמצם במחצית את הזמן והעלות הנדרשים להכנסתם חומרים חדשים לשוק”, אמר החוקר הראשי. “הצלחנו להדגים כי מסגרת המבוססת על נתונים והמנצלת למידה חישובית יכולה להוביל לגילויים של חומרים חדשים בעלי תכונות נדרשות הרבה יותר מהר מבעבר”. רוב המאמץ בתחום של גילוי סגסוגות חדשות התמקד ביצירה ובסריקה של מסדי-נתונים הנצברים בעקבות הפעלה של אלפי חישובים קוונטו-מכאניים. אולם, יחסי הגומלין בין דרגות החופש המבניים, הכימיים והמיקרו-מבניים גורמים למורכבות גבוהה.
החוקרים התמקדו בסגסוגות זיכרון המבוססות על ניקל וטיטאניום, אולם – הגישה יכולה לשמש לכל קבוצת חומרים (פולימרים, חומרים קרמיים או ננו-חומרים) או לכל תכונה נדרשת (למשל, בידוד חשמל, מקדמים פייזואלקטריים וגודל הפערים בפסי הולכה). השיטה החדשה הופכת לחשובה כאשר הניסויים או החישובים יקרים במיוחד ו/או גוזלים זמן רב מדי. למרות שהמחקר התמקד בעולם הכימיה, ניתן להתאים אותו בקלות לתהליכים המורכבים מגורמים משפיעים רבים.
משוב מתוך ניסויים: התהליך לקבלת אוסף נתונים מוגדל עם ארבע סגסוגות חדשות. [באדיבות: Los Alamos National Laboratory]
תגובה אחת
למידת מכונה נפוצה היום מאד. מצד אחד מדובר במתימטיקה מעולה – שוברת מוסכמות של מתימטיקות אחרות. אלגוריתם מסתגל לא דטרמיניסטי – מחפשת אחר פיתרון ומוצא אותו.במתימטיקה רגילים להוכחות דטרמיניסטיות וחשיבה מופשטת.
מצד שני הרבה משתמשים בה במקום ידע פיזיקלי לזיהוי תבניות בהמון תחומים. נראה שהברירה הטבעית בעבודות מדעיות תסנן עבודות למידת מכונה יעילות מעשית אך ללא הבנה אינטואיטיבית, ובין למידת מכונה ככלי בידי חוקרים לתת יכולת מחקר נוספת שונה מכל מה שהכירו קודם כצורות חשיבה – תורת החבורות, הסתברות, הוכחות לוגיות, לוגיקה מעורפלת.