• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Química
    XenonPy.MDL:Uma biblioteca abrangente de modelos pré-treinados para propriedades de materiais

    Propriedades termofísicas (ou seja, condutividade térmica) de polímeros previstos por transferência de aprendizagem (TL). O grupo de pesquisa conjunta teve sucesso na construção de um modelo de aprendizado de máquina capaz da previsão extrapolativa de três novos polímeros que residiam em caudas distantes da distribuição de dados de treinamento (Yamada, Liu e outros; ACS Central Science 2019). Isso foi conseguido submetendo modelos pré-treinados (por exemplo, modelos das temperaturas de transição vítrea de polímeros e das capacidades de calor específicas de pequenas moléculas) na biblioteca XenonPy.MDL para transferir aprendizagem usando apenas 19 conjuntos de dados de treinamento sobre a condutividade térmica de polímeros. Crédito:Ryo Yoshida

    Um grupo de pesquisa conjunto formado pelo Instituto de Matemática Estatística (ISM) e pelo Instituto Nacional de Ciência dos Materiais (NIMS) desenvolveu aproximadamente 140, 000 modelos de aprendizado de máquina capazes de prever 45 tipos diferentes de propriedades físicas em pequenas moléculas, polímeros e materiais inorgânicos. O grupo conjunto então tornou o XenonPy.MDL - uma biblioteca modelo pré-treinada - disponível ao público.

    XenonPy - uma plataforma de código aberto para pesquisa de informática de materiais (MI) - foi desenvolvida em conjunto pela NIMS e uma equipe do Centro de Ciência de Dados ISM para Design Criativo e Fabricação. O XenonPy usa algoritmos de aprendizado de máquina para realizar várias tarefas de MI. Os usuários do XenonPy podem executar os modelos pré-treinados disponíveis na biblioteca XenonPy.MDL por meio da interface de programação de aplicativos (API) e usá-los para construir uma variedade de fluxos de trabalho de design de materiais. O grupo conjunto relatou recentemente o lançamento de XenonPy.MDL em um artigo de pesquisa publicado em ACS Central Science , um jornal da American Chemical Society.

    Além disso, conforme descrito no artigo, o grupo conseguiu demonstrar o grande potencial de transferência de aprendizagem para superar o problema de quantidades limitadas de dados de materiais em várias tarefas de MI, por exemplo, prever as propriedades físicas de pequenas moléculas, polímeros e materiais cristalinos inorgânicos usando dados de materiais extremamente limitados.


    © Ciência https://pt.scienceaq.com