Прогнозирование свойств новых материалов с помощью ML

Бизнес-контекст

В материаловедении физический синтез требует времени, реактивов, оборудования и последующей проверки свойств. Пространство параметров велико, а далеко не каждая комбинация приводит к перспективному материалу.

Исследовательская задача использует накопленные экспериментальные данные как предварительный вычислительный слой: сначала оценивает свойства, а затем ищет параметры под целевой результат.

Ограничения исходного процесса

• много взаимосвязанных параметров синтеза
• каждая физическая проверка требует лабораторных ресурсов
• свойства становятся известны только после синтеза и измерений
• обратная задача сложнее прямого прогноза
• кандидаты модели всё равно требуют физической проверки

До внедрения

Физический подбор параметров синтеза требует серии дорогостоящих экспериментов.

1. выбрать параметры синтеза
2. провести физический эксперимент
3. измерить свойства материала
4. сравнить результат с гипотезой
5. скорректировать параметры и повторить цикл

Исследовательская постановка

Градиентный бустинг решает прямую задачу прогнозирования, а генетический алгоритм ищет параметры под целевые свойства.

Градиентный бустинг и нейросетевые модели решают прямую задачу: прогнозируют свойства по параметрам синтеза и признакам материала.

Для обратной задачи генетический алгоритм ищет сочетания параметров под заданные целевые свойства. Полученные кандидаты предназначены для экспертного отбора и последующего физического эксперимента.

Как работает решение

Экспериментальные таблицы проходят очистку и подготовку признаков. Несколько классов моделей сравниваются на отложенной выборке, чтобы оценить устойчивость прогноза.

В обратном контуре модель используется как функция оценки для генетического поиска. Такой подход сужает пространство кандидатов, но не заменяет профильную экспертизу и лабораторную проверку.

Данные

• экспериментальные параметры
• измеренные свойства материалов

Критерии оценки

• ошибка прогноза
• устойчивость на отложенной выборке
• качество найденных кандидатов

Практическая ценность

• единый исследовательский контур для прямой и обратной задач
• предварительная оценка кандидатов до физического эксперимента
• возможность сравнивать гипотезы по одинаковому протоколу
• поддержка поиска параметров под целевые свойства
• сокращение числа экспериментов остаётся прикладной целью, а не заявленным измеренным эффектом

Ограничения и человеческий контроль

• Сокращение числа физических экспериментов является прикладной целью, а не измеренным бизнес-результатом.

Контроль: Кандидаты требуют проверки профильным исследователем и физического эксперимента.

Что переносится в другие компании

• исследования и разработки
• дорогие физические эксперименты
• обратные задачи проектирования