Используя большой неструктурированный набор данных, собранный из 25 000 изображений, ученые впервые демонстрируют новый метод машинного обучения для выявления структурных сходств и тенденций в материалах.
По словам Джошуа Агара, преподавателя факультета материаловедения и инженерии Университета Лихай, понимание отношений структуры и собственности является ключевой целью исследований материалов. И все же в настоящее время не существует метрики для понимания структуры материалов из-за сложности и многомерности структуры.
Искусственные нейронные сети, один из видов машинного обучения, можно обучить распознавать сходства―и даже сопоставлять такие параметры, как структура и свойства, ― но есть две основные проблемы. Одна из них заключается в том, что большинство огромных объемов данных, полученных в результате экспериментов с материалами, никогда не анализируются. Во многом это объясняется тем, что такие изображения, созданные учеными в лабораториях по всему миру, редко хранятся в удобном для использования виде и обычно не передаются другим исследовательским группам. Вторая проблема заключается в том, что нейронные сети не очень эффективны при изучении симметрии и периодичности (насколько периодична структура материала) двух особенностей, имеющих первостепенное значение для исследователей материалов.
Теперь команда, возглавляемая Университетом Лихай, разработала новый подход к машинному обучению, который может создавать прогнозы сходства с помощью машинного обучения, позволяя исследователям впервые выполнять поиск в неструктурированной базе данных изображений и определять тенденции. Агар и его сотрудники разработали и обучили нейросетевую модель, включающую функции, учитывающие симметрию, а затем применили свой метод к набору из 25 133 изображений силовой микроскопии с пьезоответчиком, собранных на различных системах материалов в течение пяти лет в Калифорнийском университете в Беркли.
Результаты: они смогли сгруппировать похожие классы материалов вместе и наблюдать тенденции, образуя основу, с помощью которой можно начать понимать отношения структуры и собственности.
“Одна из новинок нашей работы заключается в том, что мы создали специальную нейронную сеть, чтобы понять симметрии. Мы используем это в качестве признака экстрактор, чтобы сделать его намного лучше для понимания изображений”, — рассказывают ученые.
Исследование опубликовано в журнале «Природа вычислительного материаловедения».
