Page Nav

HIDE
GRID_STYLE

Efek

TRUE

Classic Header

{fbt_classic_header}

Son Dakika:

latest

Yapay Zekaya Fizik Öğretimi Tek Başına Yeni Keşifler Yapmasına İzin Verebilir

  Yapay Zekaya Fizik Öğretimi Tek Başına Yeni Keşifler Yapmasına İzin Verebilir Yerleşik fiziği sinir ağı algoritmalarına dahil etmek, ma...


 

Yapay Zekaya Fizik Öğretimi Tek Başına Yeni Keşifler Yapmasına İzin Verebilir

Yerleşik fiziği sinir ağı algoritmalarına dahil etmek, malzeme özelliklerine ilişkin yeni içgörüleri ortaya çıkarmalarına yardımcı olur.

Duke Üniversitesi'ndeki araştırmacılara göre , bilinen fiziği makine öğrenimi algoritmalarına dahil etmek, esrarengiz kara kutuların yeni şeffaflık düzeylerine ulaşmasına ve malzemelerin özelliklerine ilişkin içgörü kazanmasına yardımcı olabilir.

Araştırmacılar, metamalzemeler olarak bilinen mühendislik malzemeleri sınıfının özelliklerini belirlemek ve elektromanyetik alanlarla nasıl etkileşime girdiklerini tahmin etmek için türünün ilk çabalarından birinde gelişmiş bir makine öğrenme algoritması kullandılar.

Algoritma, meta materyalin bilinen fiziksel kısıtlamalarını ilk kez hesaba katması gerektiğinden, esasen çalışmasını göstermek zorunda kaldı. Yöntem, algoritmanın yalnızca meta materyalin özelliklerini yüksek doğrulukla tahmin etmesini sağlamakla kalmadı, aynı zamanda bunu daha hızlı ve önceki yaklaşımlardan daha fazla içgörü ile yaptı.

Sonuçlar 13 Mayıs 2022'de Advanced Optical Materials dergisinde yayınlandı .

Duke'te elektrik ve bilgisayar mühendisliği profesörü Willie Padilla, "Bilinen fiziği doğrudan makine öğrenimine dahil ederek, algoritma daha az eğitim verisiyle ve daha kısa sürede çözümler bulabilir" dedi. "Bu çalışma esas olarak yaklaşımın bilinen çözümleri yeniden yaratabileceğini gösteren bir gösteri olsa da, daha önce kimsenin bilmediği metalik olmayan meta malzemelerin iç işleyişine dair bazı anlayışlar da ortaya çıkardı."

Metamalzemeler , kimyalarından ziyade yapıları aracılığıyla doğada bulunmayan özellikleri birlikte üreten birçok bireysel mühendislik özelliğinden oluşan sentetik malzemelerdir. Bu durumda, meta malzeme, bir Lego taban plakasına benzeyen büyük bir silikon silindir ızgarasından oluşur.

Silindirlerin boyutuna ve aralığına bağlı olarak, meta malzeme elektromanyetik dalgalarla belirli dalga boylarını soğurma, yayma veya saptırma gibi çeşitli şekillerde etkileşime girer. Yeni makalede, araştırmacılar, tek silindirin bir dizi yükseklik ve genişliğinin bu etkileşimleri nasıl etkilediğini keşfetmek için sinir ağı adı verilen bir tür makine öğrenme modeli oluşturmaya çalıştılar. Ama aynı zamanda cevaplarının mantıklı olmasını da istediler.

Duke'te elektrik ve bilgisayar mühendisliği yardımcı doçenti Jordan Malof, "Sinir ağları verilerdeki kalıpları bulmaya çalışır, ancak bazen buldukları kalıplar fizik yasalarına uymaz ve oluşturduğu modeli güvenilmez hale getirir" dedi. "Sinir ağını fizik yasalarına uymaya zorlayarak, verilere uyabilecek ama aslında doğru olmayan ilişkiler bulmasını engelledik."

Araştırma ekibinin sinir ağına dayattığı fiziğe, bir malzemenin içsel özelliklerinin bir elektromanyetik alanla nasıl rezonansa girdiğini tanımlayan bir denklemler dizisi olan Lorentz modeli denir. Doğrudan bir silindirin tepkisini tahmin etmeye atlamak yerine, modelin daha sonra silindirin tepkisini hesaplamak için kullandığı Lorentz parametrelerini tahmin etmeyi öğrenmesi gerekiyordu.

Bununla birlikte, bu ekstra adımı dahil etmek, söylemekten çok daha kolaydır.

Padilla'nın laboratuvarında çalışan doktora sonrası araştırmacı Omar Khatib, “Bir sinir ağını daha yorumlanabilir hale getirdiğinizde, ki bu bir anlamda burada yaptığımız şeydir, ince ayar yapmak daha zor olabilir” dedi. "Kalıpları öğrenmek için eğitimi optimize etmekte kesinlikle zorlandık."

Ancak model bir kez çalıştığında, grubun aynı görevler için oluşturduğu önceki sinir ağlarından daha verimli olduğunu kanıtladı. Grup, özellikle, bu yaklaşımın, modelin meta malzeme özelliklerini belirlemesi için gereken parametre sayısını önemli ölçüde azaltabileceğini buldu.

Ayrıca, yapay zekaya yönelik bu fizik temelli yaklaşımın kendi başına keşifler yapabileceğini keşfettiler.

Elektromanyetik dalga bir nesnenin içinden geçerken, yolculuğunun başında, sonunda olduğu gibi onunla tam olarak aynı şekilde etkileşime girmesi gerekmez. Bu fenomen uzaysal dağılım olarak bilinir. Araştırmacılar, modelin doğru bir şekilde çalışmasını sağlamak için uzamsal dağılım parametrelerini ayarlamak zorunda kaldıklarından, daha önce bilmedikleri sürecin fiziğine dair içgörüler keşfettiler.

Padilla, "Artık bunun yapılabileceğini gösterdiğimize göre, bu yaklaşımı fiziğin bilinmediği sistemlere uygulamak istiyoruz" dedi.

Malof, "Pek çok insan malzeme özelliklerini tahmin etmek için sinir ağlarını kullanıyor, ancak simülasyonlardan yeterli eğitim verisi almak çok büyük bir acı" diye ekledi. "Bu çalışma aynı zamanda çok fazla veriye ihtiyaç duymayan ve her yönden faydalı olan modeller yaratmanın yolunu da gösteriyor."

Referans: Omar Khatib, Simiao Ren, Jordan Malof ve Willie J. Padilla, 13 Mayıs 2022, Advanced Optical Materials tarafından yazılan “Derin Lorentz Sinir Ağları ile Tüm Dielektrik Metamalzemelerin Fiziğinin Öğrenilmesi” .
DOI: 10.1002/adom.202200097

Hiç yorum yok