سینگ توضیح داد که تجزیه و تحلیل مواد بر اساس یک حلقه بازخورد گسسته است که در آن مدل AI/ML با استفاده از پایگاه داده جدید DFT بر اساس اطلاعات ساختاری و فازی بلادرنگ به‌دست‌آمده از آزمایش‌های ما به‌روزرسانی می‌شود. این فرآیند تضمین می کند که اطلاعات از یک مرحله به مرحله بعدی منتقل می شود و احتمال اشتباه را کاهش می دهد.
غربالگری با توان عملیاتی بالا یک طرح محاسباتی است که به محقق اجازه می دهد صدها مدل را به سرعت آزمایش کند. DFT یک روش مکانیکی کوانتومی است که برای بررسی خواص ترمودینامیکی و الکترونیکی بسیاری از سیستم‌های بدن استفاده می‌شود. بر اساس این مجموعه اطلاعات، مدل توسعه‌یافته ML از یادگیری رگرسیونی برای ارزیابی پایداری فاز ترکیبات استفاده می‌کند.
منبع داستان:
یاروسلاو مودریک، ناظر پروژه، گفت که این چارچوب برای کشف ترکیبات خاکی کمیاب به دلیل اهمیت تکنولوژیکی آنها طراحی شده است، اما کاربرد آن به تحقیقات در زمین های کمیاب محدود نمی شود. همین رویکرد را می توان برای آموزش یک مدل ML برای پیش بینی خواص مغناطیسی ترکیبات، کنترل های فرآیند برای تولید دگرگون کننده و بهینه سازی رفتارهای مکانیکی استفاده کرد.
مواد تهیه شده توسط آزمایشگاه DOE/Ames. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
رویکرد حاضر مبتنی بر یادگیری ماشین (ML)، نوعی هوش مصنوعی (AI) است که توسط الگوریتم‌های کامپیوتری هدایت می‌شود که از طریق استفاده از داده و تجربه بهبود می‌یابند. محققان از پایگاه‌داده‌ای به‌روزرسانی‌شده آزمایشگاه زمین کمیاب Ames (RIC 2.0) و نظریه عملکردی چگالی بالا (DFT) برای ساخت پایه‌ای برای مدل ML خود استفاده کردند.
تایلر دل رز، دانشجوی فارغ التحصیل دانشگاه ایالتی آیووا، بسیاری از تحقیقات اساسی مورد نیاز برای پایگاه داده را با نوشتن الگوریتم هایی برای جستجوی وب برای اطلاعات تکمیلی پایگاه داده و محاسبات DFT انجام داد. او همچنین روی اعتبار سنجی تجربی پیش‌بینی‌های هوش مصنوعی کار کرد و با اطمینان از اینکه مدل‌های مبتنی بر ML نشان‌دهنده واقعیت هستند، به بهبود مدل‌های مبتنی بر ML کمک کرد.
مادریک تاکید کرد که این کار تازه شروع است. تیم در حال بررسی پتانسیل کامل این روش است، اما آنها خوشبین هستند که طیف گسترده ای از برنامه های کاربردی برای این چارچوب در آینده وجود داشته باشد.
