{"title":"机加工前金属","authors":"Dierk Raabe","doi":"10.1002/piuz.202301693","DOIUrl":null,"url":null,"abstract":"Künstliche Intelligenz (KI) kann zur Entwicklung von Materialien unter Einbeziehung ihrer Herstellung, Verarbeitung, inneren Strukturdefekte und chemischen Komplexität eingesetzt werden. Heute muss sie aber meist noch mit spärlichen Trainingsdaten zurechtkommen. Hybrid‐Methoden können diese Datenbasis in Verbindung mit aktiv geleiteten Experimenten verbessern. Sie schließen thermodynamische und kinetische Datenbanken, kombinatorische Hochdurchsatzexperimente, Ab‐initio‐Daten und automatisierte Sprachverarbeitung ein. Solche KI‐Methoden für das Materialdesign können auch mit physikalischen Modellen kombiniert werden. Bei allen Ansätzen ist die Identifizierung geeigneter Deskriptoren wichtig, die das gesuchte Material zu finden helfen. Aktuell ist die Verbesserung der Kausalitätsermittlung bei der Materialentwicklung mittels KI ein wichtiges Forschungsfeld. Dies gilt für die effizientere Entdeckung potenziell verheißungsvoller Datenausreißer sowie die Vorhersage außerhalb der Trainingsbereiche der KI.","PeriodicalId":509983,"journal":{"name":"Physik in unserer Zeit","volume":"10 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-03-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Metalle Ex‐Machina\",\"authors\":\"Dierk Raabe\",\"doi\":\"10.1002/piuz.202301693\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Künstliche Intelligenz (KI) kann zur Entwicklung von Materialien unter Einbeziehung ihrer Herstellung, Verarbeitung, inneren Strukturdefekte und chemischen Komplexität eingesetzt werden. Heute muss sie aber meist noch mit spärlichen Trainingsdaten zurechtkommen. Hybrid‐Methoden können diese Datenbasis in Verbindung mit aktiv geleiteten Experimenten verbessern. Sie schließen thermodynamische und kinetische Datenbanken, kombinatorische Hochdurchsatzexperimente, Ab‐initio‐Daten und automatisierte Sprachverarbeitung ein. Solche KI‐Methoden für das Materialdesign können auch mit physikalischen Modellen kombiniert werden. Bei allen Ansätzen ist die Identifizierung geeigneter Deskriptoren wichtig, die das gesuchte Material zu finden helfen. Aktuell ist die Verbesserung der Kausalitätsermittlung bei der Materialentwicklung mittels KI ein wichtiges Forschungsfeld. Dies gilt für die effizientere Entdeckung potenziell verheißungsvoller Datenausreißer sowie die Vorhersage außerhalb der Trainingsbereiche der KI.\",\"PeriodicalId\":509983,\"journal\":{\"name\":\"Physik in unserer Zeit\",\"volume\":\"10 1\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-03-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Physik in unserer Zeit\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.1002/piuz.202301693\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Physik in unserer Zeit","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.1002/piuz.202301693","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
摘要
人工智能(AI)可用于开发材料,同时考虑到材料的生产、加工、内部结构缺陷和化学复杂性。然而,如今人工智能通常仍需利用稀少的训练数据。混合方法与主动引导实验相结合,可以改进这一数据库。这些方法包括热力学和动力学数据库、组合高通量实验、ab initio 数据和自动语言处理。这些用于材料设计的人工智能方法还可以与物理建模相结合。在所有方法中,重要的是要确定有助于找到所需材料的合适描述符。利用人工智能改进材料开发中的因果关系判定是当前的一个重要研究领域。这适用于更有效地检测潜在的数据异常值,以及人工智能训练领域之外的预测。
Künstliche Intelligenz (KI) kann zur Entwicklung von Materialien unter Einbeziehung ihrer Herstellung, Verarbeitung, inneren Strukturdefekte und chemischen Komplexität eingesetzt werden. Heute muss sie aber meist noch mit spärlichen Trainingsdaten zurechtkommen. Hybrid‐Methoden können diese Datenbasis in Verbindung mit aktiv geleiteten Experimenten verbessern. Sie schließen thermodynamische und kinetische Datenbanken, kombinatorische Hochdurchsatzexperimente, Ab‐initio‐Daten und automatisierte Sprachverarbeitung ein. Solche KI‐Methoden für das Materialdesign können auch mit physikalischen Modellen kombiniert werden. Bei allen Ansätzen ist die Identifizierung geeigneter Deskriptoren wichtig, die das gesuchte Material zu finden helfen. Aktuell ist die Verbesserung der Kausalitätsermittlung bei der Materialentwicklung mittels KI ein wichtiges Forschungsfeld. Dies gilt für die effizientere Entdeckung potenziell verheißungsvoller Datenausreißer sowie die Vorhersage außerhalb der Trainingsbereiche der KI.