Proprietà termofisiche (cioè, conducibilità termica) dei polimeri previsti dal transfer learning (TL). Il gruppo di ricerca congiunto è riuscito a costruire un modello di apprendimento automatico in grado di prevedere per estrapolazione tre nuovi polimeri che risiedevano nelle code più lontane della distribuzione dei dati di addestramento (Yamada, Liu e altri; ACS Central Science 2019). Ciò è stato ottenuto sottoponendo modelli pre-addestrati (ad es. modelli delle temperature di transizione vetrosa dei polimeri e delle capacità termiche specifiche di piccole molecole) nella libreria XenonPy.MDL per trasferire l'apprendimento utilizzando solo 19 set di dati di addestramento sulla conduttività termica dei polimeri. Credito:Ryo Yoshida
Un gruppo di ricerca congiunto composto dall'Istituto di matematica statistica (ISM) e dall'Istituto nazionale per la scienza dei materiali (NIMS) ha sviluppato circa 140, 000 modelli di machine learning in grado di prevedere 45 diversi tipi di proprietà fisiche in piccole molecole, polimeri e materiali inorganici. Il gruppo congiunto ha quindi reso disponibile pubblicamente XenonPy.MDL, una libreria di modelli pre-addestrata.
XenonPy, una piattaforma open source per la ricerca sull'informatica dei materiali (MI), è stata sviluppata congiuntamente da NIMS e da un team dell'ISM Data Science Center for Creative Design and Manufacturing. XenonPy utilizza algoritmi di apprendimento automatico per eseguire varie attività di MI. Gli utenti di XenonPy possono eseguire i modelli pre-addestrati disponibili nella libreria XenonPy.MDL tramite l'interfaccia di programmazione dell'applicazione (API) e usarli per costruire una varietà di flussi di lavoro di progettazione dei materiali. Il gruppo congiunto ha recentemente segnalato il rilascio di XenonPy.MDL in un articolo di ricerca pubblicato su Scienze Centrali ACS , una rivista dell'American Chemical Society.
Inoltre, come descritto nell'articolo, il gruppo è riuscito a dimostrare il grande potenziale del trasferimento dell'apprendimento per superare il problema delle quantità limitate di dati sui materiali in vari compiti di MI, Per esempio, predire le proprietà fisiche di piccole molecole, polimeri e materiali cristallini inorganici utilizzando dati sui materiali estremamente limitati.
