Jak wynika z artykułu opublikowanego na łamach npj Computational Materials, naukowcy z Lehigh University przeszkolili sztuczną sieć neuronową tak, aby wykrywała symetrię i podobieństwa strukturalne w materiałach.
Podstawą w działaniach badaczy był trening z użyciem uczenia maszynowego, dzięki któremu sztuczna sieć neuronowa mogła zostać przeszkolona do osiągania wyznaczonych celów. Kiedy szkolenie się zakończyło, nowatorskie podejście posłużyło do przeszukania bazy danych składającej się z ponad 25 000 obrazów i pogrupowania ich pod kątem podobieństwa materiałów.
Czytaj też: Sieć neuronowa rysuje Cthulhu. Jest w tym przerażająco dobra
Jaki jest tego cel? Sztuczna sieć neuronowa mogłaby dostarczyć informacji na temat wielowymiarowej struktury materiałów oraz złożoności dynamiki na linii struktura-właściwości. Z ich użyciem naukowcy będą w stanie analizować dane z nieudanych eksperymentów, skupiając się na znajdowaniu strukturalnych podobieństw oraz wzorów w tych danych. Mając taką możliwość, badacze mogliby zauważać elementy prowadzące do zwiększenia wydajności (na przykład materiałów) oraz przyspieszenia badań.
Sieć neuronowa została przetestowana z użyciem bazy danych złożonej z ponad 25 tysięcy obrazów
Jeśli szkolisz sieć neuronową, wynikiem jest wektor lub zestaw liczb, który jest zwartym deskryptorem cech. Pomagają one klasyfikować rzeczy tak, by uczyć pewnych podobieństw. To, co powstaje, jest nadal dość sporych rozmiarów, ponieważ możemy uzyskać 512 albo i więcej różnych cech. W takiej sytuacji trzeba je skompresować do przestrzeni, którą człowiek jest w stanie pojąć, na przykład 2D lub 3D – a może i 4D.
podsumował Joshua Agar, jeden z autorów badania
