This post is also available in:
English (אנגלית)
חוקרים מהמכון ההודי למדע (IISC) והקולג' האוניברסיטאי של לונדון (UCL) פיתחו מודל מתקדם של למידת מכונה, אשר חוזה תכונות חומרים עם נתונים מינימליים, ופותח אפשרויות חדשות לגילוי חומרים. פריצת דרך זו רלוונטית במיוחד בתחום המוליכים למחצה, שבו מאפיינים חומריים מדויקים הם קריטיים.
מדעני חומרים מסתמכים לעתים קרובות על למידת מכונה כדי לחזות תכונות מפתח כגון כוח מכני ואנרגיות התהוות. עם זאת, אחד האתגרים הגדולים ביותר הוא הזמינות המוגבלת של נתונים על תכונות חומר בשל העובדה שבדיקות חומרים דורשות זמן רב וכסף. כדי להתגבר על זה, צוות המחקר, בראשות ד"ר סאי גאוטם גופלקרישמן מ-IISC, התמקד בשיפור דיוק החיזוי עם מערכי נתונים מוגבלים באמצעות גישה הנקראת Transfer Learning. ממצאי המחקר פורסמו בכתב העת Nature.
כפי שהוסבר ב-TechXplore, שיטת Transfer Learning עובדת על ידי אימון מודל תחילה על מערך נתונים גדול ולאחר מכן ביצוע fine-tuning בעזרת מערך נתונים קטן וספציפי יותר. שיטה זו מאפשרת למודל ליישם ידע ממערכי נתונים רחבים יותר למשימות מיוחדות, מה שהופך אותו ליעיל ביותר כאשר רק נתונים מוגבלים זמינים.
לצורך מחקר זה, הצוות יישם גישה מבוססת רשת עצבית גרפית (GNN), המתאימה היטב לניתוח נתונים בעלי מבנה דמוי גרף, כגון סידור תלת-ממדי של אטומים בחומר. GNNs מייצגות אטומים כצמתים וקשרים כקצוות, ועל ידי עיבוד מבנה זה על פני שכבות מרובות, המודל יכול ללמוד ולחזות תכונות חומר בצורה יעילה יותר.
באופן מדהים, המודל התעלה על הביצועים של מודלים אחרים שהוכשרו מאפס, והראה יכולת חזקה לחזות התנהגויות חומריות אפילו עבור חומרים שהוא לא אומן ישירות עליהם, כמו חומרים דו-ממדיים.
בנוסף ליישום שלו במחקר מוליכים למחצה, המודל נבדק כעת גם כדי לחזות תנועת יונים בתוך אלקטרודות סוללה, גורם מכריע בפיתוח טכנולוגיות אחסון אנרגיה טובות יותר. גישה חדשה זו יכולה לייעל את תהליך הגילוי והאופטימיזציה של חומרים עבור מגוון רחב של יישומים, ולסמן צעד משמעותי קדימה במדעי החומר וחדשנות מונחית בינה מלאכותית.
