금속 슬롯 게임 개발 및 슬롯 게임 정보 사용에 대한 시트린 정보학의 노력 (MI)

1. 금속 슬롯 게임 개발에 대한 시트린 정보학의 노력

고강도, 전기 전도성, 열 전도성, 연성 및 철, 구리, 아연 및 알루미늄과 같은 기타 금속은 자동차 및 건축 자재와 같은 산업 제품에서 일상적인 필수품에 이르기까지 널리 사용됩니다. 이 금속 재료 분야

시트린 플랫폼을 제공하는 시트린 정보학은 MI 플랫폼을 개발할뿐만 아니라 금속 슬롯 게임 분야에서 지식을 얻기위한 독립적 인 노력에 관여합니다. 이 중 하나는 MPEA (다중 프린 시팔 요소 합금)의 기계적 특성에 관한 데이터베이스의 개발입니다.

일반적으로, 합금은 Fe와 같은 단일 주요 요소 및 주요 요소보다 훨씬 낮은 농도로 존재하는 하나 이상의 용질 요소로 구성됩니다. 대조적으로, MPEA는 구성을 제어하는 ​​단일 요소가없고 3 개 이상의 주요 요소가있는 합금이다. 기존의 합금과 비교할 때 조성물을위한 설계 공간은 크게 확장되며 실험을 통해 포괄적 인 조사를 수행하는 데 비용이 많이 듭니다. 따라서, 유망한 후보자를 식별 할 수있는 계산 및 데이터 중심 접근 방식이 가능합니다.

Citrine Informatics는 이전 논문 및 기타 문헌에서 데이터를 수집했으며 MPEA 조성 및 항복 강도와 같은 기계적 특성 측정을 포함하여 가장 큰 데이터베이스를 개발했습니다. 이 데이터는 머신 러닝에서 쉽게 사용할 수 있도록 준비되어 있으며 논문으로 출판되었습니다.

실제로이 데이터베이스는 이전에 테스트되지 않은 MPEA의 구성을 예측하는 데 사용되었습니다. UCSB (University of California, Santa Barbara)의 연구원들과 협력하여 인장 강도와 신장이 높은 새로운 MPEA를 성공적으로 합성했습니다.

관련 기사여기

2. 금속 슬롯 게임의 연구 및 개발에 대한 MI 활용

Citrine Informatics는 순차적 학습을 반영하는 AWS에서 실행되는 SaaS 형 MI 플랫폼입니다.순차 학습우리는 과거 실험 데이터를 기반으로 연구원의 도메인 지식을 통합 한 AI 모델을 만들 것입니다. 그 후, 설계 공간은 후보 슬롯 게임를 계산하고 후보 슬롯 게임를 계산하기 위해 설정되고, 다음 실험 내용은 선택된 후보 슬롯 게임의 조건에 따라 결정되며, 컨텐츠에 따라 고 부가가치 실험이 수행됩니다. 이주기를 반복함으로써, 기존의 연구 및 개발 방법보다 실험 숫자가 약 50-70% 적은 표적 슬롯 게임 특성을 달성하는 것이 가능하다. 이번에는 시트린 플랫폼의 기능에서 주로 금속 슬롯 게임의 연구 및 개발에 사용할 수있는 기능을 소개 할 것입니다.

2-1 데이터 구조 및 기계 학습 모델

제조 합금 및 기타 그러한 제조에는 많은 단계가 필요하며 제품 특성을 예측하기 위해서는 제조 프로세스와 같은 모든 정보를 추가 구성 요소뿐만 아니라 제조 공정에 대한 모든 정보를 데이터 세트에 통합해야합니다. 그러나 일반적인 데이터베이스에서는 제조 순서를 고려하면서 데이터를 관리하는 기능이 없으므로 중앙에서 관리하려고 시도하면 복잡해집니다. 시트린 플랫폼의 독점 데이터 형식을 사용하면 최종 제품의 생산으로 이어지는 프로세스를 고려하여 데이터를 관리 할 수 ​​있으므로 재료, 프로세스 및 측정 기록을 시각화 할 수 있습니다.

Citrine Platform AI 모델 구성을 사용하면 입력에서 특징 정량화 및 학습에 이르기까지 코드없이 일련의 머신 러닝 모델을 만들 수 있습니다. 기능 정량화에서, 기계 학습 모델에서 연구원의 노하우를 반영 할 수있는 도메인 지식 구현 함수가 장착되어 있으며, 화학 공식 (조성식 공식, 분자 공식), 구조 공식 (Smiles/Inchi)과 같은 입력 데이터로부터 추가 100 개 이상의 물리적 수량을 얻을 수 있으며,이를 특징 수량으로 사용합니다. 이러한 방식으로 도메인 지식을 기계 학습 모델에 통합하여 예측 정확도를 향상시킬 수 있습니다.

우리는 또한 피로 강도 예측을 예로 사용하여 시트린 플랫폼에서 채택한 전송 학습을 소개합니다. 인장 강도의 특징적인 값이 피로 강도 예측에서 어느 정도 상관 관계가 있다는 것을 이미 알고 있다고 가정 해 봅시다. 이러한 경우, 인장 강도를 예측하는 머신 러닝 모델은 미리 구성 될 수 있으며 예측 값은 피로 강도 예측을 위해 기계 학습 모델을 입력하는 새로운 기능으로 사용되어 피로 강도의 예측 정확도를 향상시킵니다. 시트린 정보학은이 방법 전송 학습이라고 부릅니다. 이는 자재 개발과 같이 데이터의 양이 풍부하지 않은 경우에도 예측 정확도를 향상시킬 것으로 예상되는 매우 강력한 방법입니다.

2-2 MI 사용 ~ 시뮬레이션 링키지 ~

우리는 시뮬레이션 협업 주제에 따라 금속 슬롯 게임의 연구 및 개발에 MI의 사용을 소개 할 것입니다. 앞서 언급 한순차 학습 (순차적 학습)실험 데이터뿐만 아니라 시뮬레이션 데이터를 사용할 수도 있습니다. 최근에, 다중 규모의 분석은 마이크로 및 거시 현상을 연결하고 실제 현상을 충실하게 재현하는 시뮬레이션 방법을 이끌어 냈지만 실제로는 한 척도에서 좋은 개별 시뮬레이션 도구를 연결하고 동시에 다른 규모에 대해 생각하는 것은 어렵습니다.

다이어그램은 각 길이 스케일에 대한 일반적인 시뮬레이션 기술의 예를 보여줍니다. 오른쪽에는 시트린 플랫폼이 이러한 시뮬레이션 데이터를 처리하는 방법의 예가 있지만 시트린 플랫폼을 사용하면 각 길이 척도에서 모든 프로세스, 구조 및 구성을 고려하는 모델을 구축 할 수 있습니다. 이러한 방식으로 시트린 플랫폼은 각 시뮬레이션마다 "협업 도구"로 AI가 될 것이며, 통합 된 접근 방식에서 이론, 시뮬레이션 및 실험 결과를 활용하는 접근법을 통해 예측 정확도를 향상시킬 수 있습니다.

2-3 MI 사용 ~ 3D 프린팅 ~

3D 프린팅은 최근 몇 년 동안 캐스팅 및 주입과 같은 전통적인 제조 방법과 비교하여 점점 더 많이 사용되고있는 기술로, 특정 응용 프로그램을 주문하기위한 기술이되어 프로토 타입을 생산할 수 있으며 기존 제조 방법에서 쉽게 불가능한 설계를 달성 할 수 있으며, 폐기물이 더 적고 치료가 필요하지 않습니다.

반면에, 대부분의 첨가제 제조 공정에는 다양한 인쇄 매개 변수가 설정되어있어 더 복잡하고 비싸게 만듭니다. 또한 추가 제조를 사용하면 프로토 타입을 쉽게 생산할 수 있으므로 많은 양의 데이터를 생성 할 수 있지만 많은 제조 매개 변수가있어 수동으로 분석하고 모든 설계 목표를 충족하는 조합을 찾기가 어렵습니다. 또한 모든 제조 매개 변수는 상호 의존적이며 부품 성능에 큰 영향을 미치므로 데이터가 시끄럽게 보입니다.

Mi는 이러한 문제를 해결할 수있는 것입니다. 기계 학습 모델은 입력 제조 매개 변수와 출력 구성 요소 성능 간의 상관 관계를 효율적으로 결정하고 학습 된 상관 관계를 사용하여 다음 실험을 목표로 안내합니다. 또한 복잡한 인과 관계 가운데 부품 성능을 최적화하는 데 필요한 상관 관계를 식별합니다.