Список теоретически пригодных для производства того или иного изделия материалов — например, батарей — может включать миллионы вариантов, а их анализ на соответствие множеству требований может занимать годы и даже десятки лет. Исследователи из США, обратившись к машинному обучению, нашли способ значительно ускорить процесс подбора верных компонентов. Причем им хватило для обучения ИИ нескольких сот образцов, вместо сотен тысяч и миллионов, и всего 4 цикла повторения.
Ученые из MIT разработали многоэтапный процесс тренировки нейронной сети, который позволяет сравнивать свойства различных материалов. В качестве демонстрации возможностей подхода они нашли восемь наиболее многообещающих веществ для проточных батарей из трех миллионов кандидатов. Этот процесс, проводись он традиционным аналитическим методом, занял бы 50 лет. Но машине на всесторонний анализ и отбор потребовалось всего пять недель, пишет MIT News.
Поиски велись среди так называемых комплексных соединений, которые могут существовать в обширном числе различных форм. Для того чтобы предсказать свойства любого из миллионов этих металлов, требуется либо проводить ресурсоемкую и долгую спектроскопию, либо долгое и сложное компьютерное моделирование каждого материала или комбинации материалов.
Вместо этого исследователи взяли небольшое число возможных материалов и использовали их для того, чтобы научить нейронные сети распознавать отношения между химическим составом и физическими свойствами. Затем это знание применили для выработки критериев, которым должны отвечать материалы нового поколения. Проведя четыре последовательных итерации этого процесса, нейросеть постепенно достигла точки, когда последующие повторения цикла не приводили к значимым улучшениям.
Обычно обучение нейронных сетей требует очень большого числа данных, от тысяч до миллионов примеров, но команда из MIT использовала итеративный подход, основанный на оценке эффективности материала по модели Парето, который ускорил процесс и дал надежные результаты на базе всего нескольких сотен образцов.
Кроме того, на каждом этапе итерации система быстро оценивала степень уверенности в прогнозе, которая помогала уточнить выбор образцов. «Мы разработали лучшую технику квалификации неопределенности, чтобы точно понимать, когда именно эти модели могут подвести», — заявила профессор Хизер Кьюлик, руководитель проекта.
