研究人员开发小数据人工智能预测技术有望加速各种新材料开发

NIMS、Asahi Kasei、三菱化学、三井化学和住友化学已经使用化学材料开放平台框架开发了一种小数据人工智能技术，能够通过有效使用提高基于机器学习的材料特性（例如强度、脆性）预测的准确性仅从少数实验中获得的材料结构数据。这种技术可以加速各种材料的开发，包括聚合物。

材料信息学研究利用机器学习模型根据成分和加工参数（例如温度和压力）预测感兴趣材料的物理特性。这种方法加速了材料的开发。当已知材料的物理性能受其后处理微观结构的强烈影响时，可以通过结合微观结构相关数据（例如 X 射线衍射 (XRD) 和差示扫描量热法 (DSC)）来有效提高模型的性能预测精度数据）。但是，这些类型的数据只能通过对加工材料进行实际分析来获得。除了这些分析之外，提高预测精度还需要预先确定的参数（例如，材料成分）。

该研究小组开发了一种人工智能技术，该技术能够首先选择有潜力的候选材料进行制造，然后使用仅从少数实际合成材料中获得的 XRD、DSC 和其他测量数据准确预测其物理特性。该技术使用贝叶斯优化和其他方法选择候选材料，并重复基于 AI 的选择过程，同时将测量数据整合到机器学习模型中。为了验证该技术的有效性，该小组使用它来预测聚烯烃的物理特性。结果发现，与随机选择候选材料的方法相比，该技术可以提高机器学习模型的材料特性预测精度，实际合成材料的样本集更小。获取更多前沿科技 研究进展 访问：https://byteclicks.com

使用这种预测精度提高技术可以更深入地了解材料结构与物理特性之间的关系，这将有助于研究材料特性的根本原因，并制定更有效的材料开发指南。此外，该技术有望应用于除聚烯烃和其他聚合物之外的多种材料的开发，从而促进材料开发的数字化转型（DX）。

该研究成果于日本时间 2021 年 9 月 28 日在线发表于《先进材料科学与技术：方法》。

能够提高预测精度的人工智能技术