卡内基梅隆大学机械工程系麦迪逊·布鲁尔 与机器学习模型兼容的材料表示在开发具有高性能预测精度的模型中起着关键作用
学分:工程学院 工程师们总是在为他们的项目寻找具有特殊性能的材料
不幸的是，对于研究人员来说，有太多的选择可以简单地猜测和检查，直到他们找到他们要找的东西
即使他们要模拟材料，而不是在实验室测试，也要花很长时间才能找到合适的材料
幸运的是，研究人员利用人工智能创造了算法，可以为任何项目找到合适的材料
在最近发表的一篇论文中，卡内基梅隆大学和卡尔加里大学的研究人员对其中一种算法进行了改进，使研究人员能够快速准确地找到具有所需特性的材料
CMU大学机械工程助理教授阿米尔·巴拉蒂·法里马尼说:“由于材料的空间非常大，很难通过实验和计算来表征材料的特性。”
“因此，我们正在创造能够快速预测材料特性的算法或模型
" 为了使用人工智能，研究人员必须首先使用已知数据训练算法
然后，算法学会从这些信息中推断出新的想法
巴拉蒂·法里马尼和他的团队用材料的化学组成数据训练了算法
特别是，它们包含了关于电子在决定材料性质中所扮演的角色的信息
巴拉蒂·法里马尼说，这些化学数据为算法创造了一个新的物质描述符
由于这种算法可以预测大范围材料的性质，因此有许多应用
例如，该算法可以找到一种热特性适合太阳能电池板的材料
此外，它可以识别制造药物和电池的材料
为了使用这种算法，研究人员可以简单地让预先训练的深度学习模型找到他们正在查看的属性
改进这些算法的方法是变得更快、更准确
如果算法不够精确，结果将无法使用
如果算法太慢，研究人员将永远无法获得结果
目前，该团队发现他们的算法优于其他领先的算法
巴拉蒂·法里马尼说:“你可以使用这个算法，训练一个深度学习模型，并在几分之一秒内预测它们。”
“本质是证明它可以高精度地预测不同种类的材料——然后每个行业都可以使用它
" 他们的论文发表在《物理评论材料》上
CMU博士后学者穆罕默德·卡拉马
D
学生里什凯什·马加尔和研究员史玉婷也是合著者
其他作者包括周欣宇·西亚罗斯塔米和伊恩·D
卡尔加里大学的盖茨
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
