Чтобы создавать новые материалы, учёным нужно понимать их электронную структуру - то, как в веществе расположены и ведут себя электроны. Обычно для расчёта таких структур требуются дорогостоящие симуляции на суперкомпьютерах. Поэтому исследователи обучают модели искусственного интеллекта (ИИ) на миллионах смоделированных точек, чтобы получать быстрые прогнозы.
Однако недавняя работа под руководством доцента Сусанты Гоша из факультета машиностроения и аэрокосмической инженерии Мичиганского технологического университета (Michigan Tech) показывает: столько данных не нужно. Вместе с коллегами из Калифорнийского университета в Лос-Анджелесе (UCLA) Гош обнаружил, что моделям ИИ требуется гораздо меньше информации для точных предсказаний.
Исследование опубликовано в журнале npj Computational Materials. Авторы сообщают, что модели могли отбросить 90% обучающих данных практически без потери точности. Даже после удаления 99% данных большинство прогнозов оставались высокоточными, а обучение шло как минимум в три раза быстрее. Результаты относятся к широкому кругу материалов, включая металлы, воду и сложные сплавы.
Как модель может точно предсказывать электронные свойства при меньшем объёме данных? По словам Гоша, секрет в минимальном наборе, который исследователи тщательно отбирают так, чтобы охватить разнообразие данных. Большая часть данных об электронной структуре повторяет одну и ту же информацию, а небольшая, хорошо подобранная выборка содержит почти всё, что нужно ИИ для обучения, пояснил Гош.
Эти результаты ставят под сомнение необходимость обширных наборов данных для предсказания электронной структуры и могут сделать разработку материалов с помощью ИИ быстрее и дешевле. Гош, сотрудник Центра искусственного интеллекта в Институте вычислений и киберсистем Michigan Tech, считает, что это может сильно повлиять на область разработки и моделирования материалов.
Определив репрезентативные данные об электронной структуре и сократив время обучения как минимум втрое, эта работа может ускорить поиск сложных сплавов с помощью ИИ в огромном пространстве составов, отметил он.
Важно понимать: речь идёт о статистической связи между объёмом обучающих данных и точностью модели, а не о доказанной причине. Исследование показывает, что отбор данных позволяет сохранить точность, но не утверждает, что любой набор данных можно сократить без последствий. Кроме того, это пока результаты научной работы, а не готовый коммерческий продукт.

Комментарии
0Комментариев пока нет. Начните обсуждение.