小数据拆开复杂交互

美国的研究人员发明了机器学习方法可以预测复杂物理系统的行为,不能由目前的计算方法也不适合大规模筛选。

机器学习涉及培训电脑所需的属性,并以此为根据做出推测通过构造算法,从大量的数据。然而,造型复杂的材料,这是不切实际的水泥和化学配方,由于大量的复杂的相互作用,决定了它们的属性。

现在,科学家们由纽厄尔沃什伯恩卡内基梅隆大学设计了一种新的方式使用更小的数据集进行预测。这个想法源于他们的经验研究分散剂和水凝胶。我们已经开发了一个直观的感觉,它们是如何工作的,有兴趣尝试映射这个直觉到机器学习框架,“沃什伯恩解释说。模型”在某种程度上,我们开发了代表我们如何希望我们想到了我们的研究。而纯粹的统计方法通常需要详尽的计算分析基于100年代或1000年代的化合物,研究小组结合物理和统计建模成一个机器学习的方法来简化这个过程。

方法的第一个测试区域涉及高分子分散剂对流动粒子悬浮液。沃什伯恩的方法与实验数据从10模型聚合物系统具有不同的官能团。机器学习方法降低了single-physics交互的一组的实验数据,并使用统计模型来调查这些参数是如何影响悬浮液的属性。然后提出了一种新型分散剂的性能与领先的商业材料尽管成分明显不同。实验结果为合成的分散剂同意其预测性能。

挚友其四十专家在聚合物反应设计大学的特在比利时,是工作留下了深刻的印象。沃什伯恩和同事的方法——结合纯统计与物理模型是一个非常优雅的方式加速研究在材料设计。我认为我们将看到在各领域的许多研究人员走这条路的材料设计已经在不久的将来。

展望未来,沃什伯恩说,他们是“努力把模型放在一个坚实的理论基础作为分子设计工具也接触化学和材料公司,看看是否可以用来解决一些棘手的技术问题和找到一个热情的回应。的团队正在研究更复杂的系统,如油墨为3 d生物打印,他们同时化学模型,制定和处理变量。