AI能够在数千张科学论文的单一图表信息中概述

NIMS和芝加哥丰田技术研究所联合开发了一种计算机辅助材料设计(CAMaD)系统,能够提取与制造工艺和材料结构和性能相关的信息 - 对材料设计至关重要的因素 - 以及组织和可视化之间的关系。他们。使用该系统可以将来自数千篇科学和技术文章的信息汇总在一个图表中,合理化和加快材料设计。

材料的性能取决于其性能。由于材料的性质受其结构和控制结构的制造工艺的极大影响,因此理解影响材料性质的因素与相关材料结构和制造工艺之间的关系对于合理化和加速具有理想性能的材料的开发至关重要。 。材料信息学 - 基于信息科学的材料研究方法 - 允许使用深度学习从大量数据中提取这些因素之间的关系。但是,由于通过实验和数据库构建收集大量关于材料的数据是劳动密集型的,

该研究小组开发了一种系统,能够通过指导计算机使用自然语言处理来读取科学文章的文本而不是材料的数字数据,从而提取和识别与材料设计至关重要的过程,结构和属性相关的因素之间的关系。每周监督深度学习。材料设计者最初选择与所需材料性能相关的几种材料特性。基于这些选择,计算机然后提取相关信息,确定与期望特性相关的材料结构与与结构控制制造过程相关的因素之间的关系的类型和强度,并生成图表以可视化这些关系。例如,如果钢铁设计师选择“强度”和“

在这一开创性的努力中,我们积极地将自然语言处理和深度学习融入材料设计。我们已经公布了本研究中开发的AI源代码,供其他人免费使用,以促进相关研究。