Duke Üniversitesi araştırmacıları, makine öğrenimi algoritmalarının, bilinen fiziği öğrettikten sonra malzemelerin özelliklerine ilişkin yeni şeffaflık dereceleri ve içgörü kazanabileceğini keşfettiler.
Yerleşik fiziği sinir ağı algoritmalarına dahil etmek, yapay zekanın tek başına yeni keşifler yapma yeteneği kazanabileceğini ortaya koydu. Sonuçlar 13 Mayıs 2022'de Advanced Optical Materials dergisinde yayınlandı .
Duke Üniversitesi'ndeki araştırmacılara göre , bilinen fiziği makine öğrenimi algoritmalarına dahil etmek, bunların nasıl tasarlanacağına dair yeni anlayışlar ortaya çıkarabileceğini göstermiştir.
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 öğrenimi 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.
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, birlikte doğada bulunmayan özellikleri kimyalarından ziyade yapıları aracılığıyla 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 verilerde örüntüler bulmaya çalışır, ancak bazen buldukları örüntüler 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 dizi denklem olan Lorentz modeli denir. Doğrudan bir silindirin tepkisini tahmin etmek yerine, modelin daha sonra silindirin tepkisini hesaplamak için kullandığı Lorentz parametrelerini tahmin etmeyi öğrenmesi gerekiyordu.
Elektromanyetik bir dalga bir nesnenin içinden geçerken, yolculuğunun başında, sonunda olduğu gibi onunla tam olarak aynı şekilde etkileşime girmek zorunda değildir. Bu fenomen uzaysal dağılım olarak bilinir. Araştırmacılar, modelin doğru çalışmasını sağlamak için uzaysal dağılım parametrelerini ayarlamak zorunda kaldıklarından, daha önce bilmedikleri sürecin fiziğine dair içgörüler keşfettiler.
Kaynak: https://scitechdaily-com.translate.goog/teaching-physics-to-ai-can-allow-it-to-make-new-discoveries-all-on-its-own/amp/
Comments