اعتبارسنجی داده های مواد و محاسبه با شبکه عصبی مصنوعی

از شبکه عصبی مصنوعی برای مدلسازی و تایید خواص مواد استفاده می شود. الگوریتم شبکه عصبی دارای قابلیت منحصر بفردی برای جابجایی مجموعه داده های ناقص در زمینه آموزش و پیش بینی است، بنابراین این الگوریتم می تواند خواص را با عنوان ورودیها درنظر بگیرد تا روابط ویژگی- ترکیب و ویژگی- ویژگی را را برای ارتقای کیفیت پیش بینی ها استخراج نموده و همچنین می تواند داده های گرافیکی را با عنوان یک نهاد واحد کنترل کند. این چارچوب با برنامه های مختلف اعتبارسنجی آزمایش شده و سپس در مطالعات موردی مواد آلیاژها و پلیمرها استفاده شده است. الگوریتم، 20 خطا را در پایگاه داده مواد تجاری تشخیص می دهد که در مقابل منابع داده های اولیه تایید شده اند.

از طریق سن سنگ، برنز و آهن، پیشینه انسان با کشف مواد جدید به ثبت رسیده است. آینده هر سن با کشف شانس یک ماده جدید مشخص می شود. با اینحال، کشف مواد تنها یک چالش نیست: انتخاب مواد درست برای یک هدف بسیار مهم است. پایگاه داده های مواد، خواص در دسترس طیف وسیعی از مواد را نشان می دهند. با اینحال، تمام خواص برای تمام مواد شناخته شده نبوده و تمام منابع داده ها نیز سازگار یا درست نیستند، و خطاهایی را در مجموعه داده معرفی می کنند. برای غلبه بر این کمبودها، از شبکه عصبی مصنوعی (ANN) برای کشف و اصلاح خطاها در پایگاه داده تجاری MaterialUniverse و Plastics Prospector استفاده می شود. روشهای زیادی برای درک و پیش بینی خواص مواد ازجمله اندازه گیری تجربی مستقیم، مدلهای اکتشافی، و اولین اصول شبیه سازیهای مکانیکی کوانتوم توسعه یافته اند. الگوریتم ANN نیز توسعه یافته که می تواند از داده های مواد برای پیش بینی سری و دقیق خواص مواد مشاهده نشده، آموزش داده شود. رویکرد ما دارای توانایی منحصر بفردی برای جایجایی مجموعه داده هاست که داده های ناقصی برای متغیرهای ورودی دارد. این ورودیهای ناقص معمولا از بین می روند، اما رویکرد ارائه شده مجددا بینشهای عمیقی را برای همبستگی مواد استخراج می کند. بعلاوه، این ابزار می تواند همبستگی بین خواص مواد مختلف را به منظور ارتقای کیفیت پیش بینی ها استخراج کند. از این ابزار قبلا برای مطرح کردن آلیاژهای بهینه جدید استفاده شده است، اما اکنون از آن برای محاسبه ورودیهای ناپیدا در پایگاه داده مواد و جستجوی ورودیهای نادرست استفاده می شود. اغلب، خواص مواد نمی توانند با عدد واحدی نشان داده شوند، همچنانکه آنها به سایر پارامترهای تست مانند دما وابسته هستند. آنها می توانند با عنوان خاصیت گرافیکی مانند منحنی های تنش در مقابل دما برای آلیاژهای مختلف درنظر گرفته شوند. به منظور استفاده از این نوع داده های کارآمد، داده های این گرافها با عنوان کمیتهای بردار عمل می کنند، و ANN با اطلاعات آن منحنی با عنوان یک کل ارائه شده زمانی که سایر کمیتها در طول فرایند آموزش فعال هستند. این امر مستلزم ذخیره داده های کمتر از روش اصلی بوده تا هر نقطه از گرفا با عنوان یک ماده جدید درنظر گرفته شود، و روش تناسب تعمیم یافته ارائه شود که همانند سایر مدلهاست. چارچوب پیشنهادی ما ابتدا با استفاده از داده های نمونه تولیدشده تست و تایید شده است، و سپس برای نمونه های واقعی از پایگاه داده های MaterialUniverse و Plastics Prospector بکار می رود. ANN در مجموعه داده های آلیاژها و پلیمرها آموزش داده شده، و سپس برای پیش بینی شناسایی اندازه گیریهای تجربی نادرست استفاده شده، که با استفاده از داده های منبع اولیه اصلاح می شود. برای موادی با ورودیهای داده های ناپیدا، که پایگاه داده به برآوردهایی از توابع مدلسازی اشاره می کند، پیش بینی ها نیز صورت می گیرند و مشاهده می شود که نتایج ANN بهبود توابع مدلسازی را ارائه نموده درحالیکه به پیکربندی دستی کمتر و بسیار دقیق نیاز است. در بخش 2، چارچوب اصلی به تفصیل بیان شده که برای توسعه ANN استفاده می شود. این روش شناسی را با سایر رویکردها مقایسه کرده، و الگوریتمهایی نیز برای محاسبه خروجی ها از ورودیها، جایگزینی مکرر ورودیهای ناپیدا، توسعه کمیتهای گرافیکی در بردها، و روش آموزش توسعه می یابد. بخش 3 به اعتبارسنجی عملکرد ANN تمرکز می کند. این رفتار با عنوان تابع تعداد گره های پنهان بررسی می شود، و روش انتخاب اعداد بهینه گره های پنهان نیز ارائه می شود. قابلیت شبکه برای شناسایی نقاط داده های نادرست بیان شده و روش شناسایی تعداد ناقط نادرست در یک مجموعه داده نیز مطرح می شود. عملکرد ANN برای آموزش و اجرای داده های ناقص تایید شده، و تستهایی نیز با داده های گرافیکی انجام می شوند. بخش 4 ANN را در نمونه های واقعی بکار می رد، که در آنجا ANN در پایگاه داده های آلیاژ MaterialUniverse و پلیمر Plastics Prospector آموزش داده می شود، و از پیش بنی های ANN نیز برای شناسایی داده های نادرست استفاده شده و داده های تجربی نیز برای محاسبه ورودیهای ناپیدا پیش بینی می شوند. 2. چارچوب دانش خواص تجربی مواد از یک پایگاه داده، لیستی از ورودیها (از اکنون با عنوان مجموعه داده بیان می شود) شروع می شود، که هر ورودی مربوط به یک ماده اصلی است. در اینجا، ویژگی با عنوان یک ویژگی تعریفی (مانند فرمول شیمیایی، ترکیب آلیاژ، یا رفتار حراتی) یا ویژگی فیزیکی (مانند چگالی، رسانایی حرارتی یا مقاومت عملکرد) بیان می شود. روش زیر تمام این خواص را در مبنای برابر بکار می برد. به منظور پیش بینی خواص مواد مشاهده نشده، طیف وسیعی از تکنیکهای یادگیری ماشینی می تواند برای این پایگاه داده ها استفاده شود. یادگیری ماشینی براساس همبستگی بین خواص مختلف داده های آموزشی پیش بینی می شود، که پدیده فیزیکی را به خوبی درک می کند. ابتدا الگوریتم ANN در بخش 2.1 تعریف شده، و سپس پیاده سازی آن در داده های ناقص در بخش 2.2 بیان می شود. توسعه ANN با درنظر گرفتن داده های گرافیمی در بخش 2.3 مطرح می شود. روند آموزشی در بخش 2.4 اشاره می شود. در نهایت، رویکرد ANN با سایر الگوریتمها در بخش 2.5 مقایسه می شود.