Termofysiska egenskaper (d.v.s. termisk konduktivitet) för polymerer som förutspåtts av överföringsinlärning (TL). Den gemensamma forskargruppen lyckades konstruera en maskininlärningsmodell som kan extrapolativ förutsägelse av tre nya polymerer som fanns längst bort i träningsdatadistributionen (Yamada, Liu och andra; ACS Central Science 2019). Detta uppnåddes genom att utsätta förtränade modeller (t.ex. modeller av glasövergångstemperaturer för polymerer och av den specifika värmekapaciteten hos små molekyler) i XenonPy.MDL-biblioteket för att överföra lärande med hjälp av endast 19 uppsättningar träningsdata om polymerernas värmeledningsförmåga. Kredit:Ryo Yoshida
En gemensam forskargrupp bestående av Institutet för statistisk matematik (ISM) och National Institute for Materials Science (NIMS) har utvecklat cirka 140, 000 maskininlärningsmodeller som kan förutsäga 45 olika typer av fysiska egenskaper i små molekyler, polymerer och oorganiska material. Den gemensamma gruppen gjorde sedan XenonPy.MDL – ett förutbildat modellbibliotek – allmänt tillgängligt.
XenonPy – en öppen källkodsplattform för materialinformatik (MI) forskning – utvecklades gemensamt av NIMS och ett team vid ISM Data Science Center for Creative Design and Manufacturing. XenonPy använder maskininlärningsalgoritmer för att utföra olika uppgifter av MI. Användare av XenonPy kan köra de förtränade modellerna som finns tillgängliga i XenonPy.MDL-biblioteket via applikationsprogrammeringsgränssnittet (API) och använda dem för att konstruera en mängd olika arbetsflöden för materialdesign. Den gemensamma gruppen rapporterade nyligen lanseringen av XenonPy.MDL i en forskningsartikel publicerad i ACS Central Science , en tidskrift från American Chemical Society.
Dessutom, som beskrivs i artikeln, gruppen lyckades visa på den stora potentialen hos transfer learning för att övervinna problemet med begränsade mängder materialdata i olika MI-uppgifter, till exempel, förutsäga de fysikaliska egenskaperna hos små molekyler, polymerer och oorganiska kristallina material med användning av ytterst begränsade materialdata.
