Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
Машинное обучение поможет ускорить исследование состава материала
Студент НИТУ МИСИС описал метод, который позволит материаловедам сэкономить время при расшифровке рентгенограмм. Он предложил использовать машинное обучение для прогнозирования фаз кристаллической структуры переходных металлов и их оксидов на основе данных рентгеновской дифракции.
Статья вошла в сборник ML4Materials конференции International Conference on Learning Representations (ICLR), которая считается самой престижной в мире в сфере ИИ согласно среднему индексу цитирования Google.
Один из основных методов, используемых в материаловедении — рентгенофазовый анализ — основан на получении данных о химическом составе материала при помощи рентгеновской дифракции. На практике в процессе производства и во время дифракции в установке дифрактометра образуются различные оксиды и лишние соединения, которые могут мешать идентификации фаз материала, поэтому по-прежнему существует потребность в более надежных и точных методах определения элементов на дифрактограммах.
Машинное обучение уже давно используется для прогнозирования свойств материалов, анализа кристаллической структуры и классификации дифракционных картин. База данных рентгенограмм позволяет проводить идентификацию более конкретным и целенаправленным образом, снижая вероятность ошибок интерпретации. Однако ранее в научных работах такие подходы практически не применялись по отношению к оксидам переходных металлов, которые используются в различных областях – от трубопроводного транспорта до электронных приборов.
«Метод состоит из трех этапов. Сначала, собираются признаки о пиках на спектограммах, то есть подсчитывается позиция, величина, расстояние и площадь каждого пика. Стоит обратить внимание на главный признак — площадь графика между пиками. Он позволяет сравнивать паттерны дифракций разных веществ и находить точные совпадения. С помощью данного алгоритма идет подсчет количества совпадений. Так как пики могут иметь различные отклонения, используется машинное обучение. Полученные признаки, включая количество совпавших пиков, подается в классические алгоритмы машинного обучения для корректировки итогового результата. Самой лучшей моделью стал случайный лес с увеличенной глубиной», – рассказал автор исследования Максим Жданов.
Одной из ключевых функций, используемых для этого анализа, является расчет площади пиков, который применяется для количественной оценки интенсивности дифракционных пиков. Этот аспект позволяет более точно и быстро идентифицировать различные фазы в рентгенограммах, что в будущем может значительно сэкономить время ученому при исследовании материала.
Описанный метод имеет свои ограничения. Идентификация близких фаз по-прежнему может быть неточной в случаях, где рисунок и кристаллическая структура различаются по ряду причин. Помимо прочего, на точность идентификации влияет состояние дифрактометра и предыдущие проведенные эксперименты.
«Сейчас предложенным методом трудно работать с задачами, где встречается множество разных веществ. Стоит попробовать применение нейронных сетей со структурированным латентным пространством, например, как в вариационных автоэнкодерах, для извлечения более важных признаков из разных групп материалов», — отметил Максим Жданов. В будущих исследованиях будет расширен спектр материалов, а также в перспективе проведение тестов на реальных данных.
В Институте искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ предложили новый подход, основанный на современных методах машинного обучения, для определения генетического происхождения человека. Графовые нейросети позволяют с высокой точностью различать даже очень близкие популяции.
Представьте мир, где извергаются серные вулканы высотой в 60 раз больше Эвереста, под 20-километровым льдом скрываются океаны, мощные гейзеры выбрасывают струи водяного пара в космос, а реки из жидкого метана стекают в углеводородные моря. Так выглядят спутники планет Солнечной системы. Ученый Пермского Политеха Евгений Бурмистров рассказал, почему они считаются самыми перспективными местами для поиска жизни и колонизации.
Люди, которые занимаются сексом реже раза в месяц, имеют необычайно высокий риск смерти, если у них есть лишний вес и симптомы депрессии, выяснили ученые.
Лето 2025 обещает насыщенную линейку научно-фантастических сериалов на ведущих стриминговых платформах. От адаптаций культовых романов до масштабных космических одиссей — мы отобрали проекты, на которые стоит обратить внимание.
Международная команда ученых оценила связь между длительностью физической активности, ее интенсивностью, риском смерти от всех причин и вероятностью развития сердечно-сосудистых и онкологических заболеваний.
Представьте мир, где извергаются серные вулканы высотой в 60 раз больше Эвереста, под 20-километровым льдом скрываются океаны, мощные гейзеры выбрасывают струи водяного пара в космос, а реки из жидкого метана стекают в углеводородные моря. Так выглядят спутники планет Солнечной системы. Ученый Пермского Политеха Евгений Бурмистров рассказал, почему они считаются самыми перспективными местами для поиска жизни и колонизации.
Радиотелескопы уловили очень короткий сигнал, и по его характеристикам стало ясно, что он не может быть естественного происхождения. Астрономы пришли к выводу, что источник находился в околоземном пространстве — там, где уже более полувека летает «мертвый» аппарат NASA.
Группа российских ученых из Института прикладной математики имени М. В. Келдыша РАН и МФТИ провела детальное численное исследование источников шума, генерируемых крылом прототипа сверхзвукового бизнес-джета в режиме посадки. Эта работа, сочетающая передовые методы вычислительной гидродинамики и аэроакустики, впервые позволила с высокой точностью локализовать и охарактеризовать основные зоны шумообразования вблизи полноразмерной геометрии крыла модели прототипа сверхзвукового пассажирского самолета в посадочной конфигурации.
Результаты эксперимента в США в будущем могут позволить добиться разрешения на использование отработанной конопли в качестве кормовой добавки в животноводстве.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
ПонятноИз-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
ПонятноНаши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
ПонятноМы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно
Комментарии