인공 지능 기반 설계는 다차원계 검색 공간의 조합 스크리닝, 미세 구조로부터 재료 특성 예측, 스마트 기능성 재료 개발, 복합상 무기 화합물에서의 상 식별 등에서 마주하게 되는 막대한 실험적 부담을 완화하는 데 도움이 되며, 모든 경우의 수를 열거하는 방법과 같은 효과를 지닌다. 저자는 XRD 패턴에서 많은 실험량을 요구하는 분말 공정의 복잡성, 정량적 미세 구조 물성 관계, XRD 패턴의 상 식별을 위해 ...
인공 지능 기반 설계는 다차원계 검색 공간의 조합 스크리닝, 미세 구조로부터 재료 특성 예측, 스마트 기능성 재료 개발, 복합상 무기 화합물에서의 상 식별 등에서 마주하게 되는 막대한 실험적 부담을 완화하는 데 도움이 되며, 모든 경우의 수를 열거하는 방법과 같은 효과를 지닌다. 저자는 XRD 패턴에서 많은 실험량을 요구하는 분말 공정의 복잡성, 정량적 미세 구조 물성 관계, XRD 패턴의 상 식별을 위해 심층 신경망, 생성적 적대 신경망, 합성곱 신경망 이론을 참고하였다. 이 논문에서 저자는 인공 지능 기술 기반의 재료 정보학에 대해 설명하고 이 내용을 바탕으로 논문을 작성하였다. 1장에서는 인공 지능 이론 및 재료 정보학에 대하여 다루고, 2-5장은 상술한 인공 지능 기술을 이용한 재료 정보학에 대하여 다룰 것이다. 2장에서 저자는 패터닝, 프린팅, 증착 및 마운팅과 같은 고가의 제조 공정을 통해서만 제조할 수 있는 복잡한 시트를 대체 할 수 있는 압저항성 시트에 대하여 다룰 것이다. 딥 러닝 기술을 통해 제작하는 매우 간단한 벌크 시트는 복잡한 제조 공정을 사용하지 않고도 스마트 키패드의 역할을 수행 할 수 있다. 이 간단한 시트형 키패드는 기능성, 유연성, 간편성 및 비용 면에서 기존의 모든 휴대용 키패드 보다 뛰어나게 작동하였고, 우월한 성능을 가졌다. 3장에서는 복합상 무기 화합물에서의 상 식별 및 정량 문제를 분류하기 위해 사용되는 딥 러닝 기술을 이용한 쉽고 신속한 공정에 대하여 다룰 것이다. 저자는 현재 LED형광체에서 활발하게 개발되고 있는 Sr-Li-Al-O 4차 구성 pool의 170개의 무기 화합물을 이용하여 잘 만들어진 XRD 패턴을 시뮬레이션 하였다. CNN모델을 설계하였고 준비해 두었던 많은 양의 데이터세트를 사용하여 훈련시켰다. 딥러닝을 끝낸 합성곱 신경망 모델은 복합상 무기 화합물의 구성 상을 신속하고 정확하게 식별할 수 있다. 만약 이렇게 합성곱 신경망으로 시뮬레이션된 XRD 데이터를 사용하여 딥러닝을 진행할 경우 실제 실험 XRD 데이터를 사용한 테스트와 상 식별의 경우 거의 100%, 3단계 위상 분별 정량화의 경우 98.67%의 높은 정확도를 지녔다. 4장에서는 금속 및 세라믹과 같은 공학 재료들 뿐만 아니라 리튬 이온 배터리 양극 및 음극과 같은 기능성 재료의 재료 특성을 해석하는 데 중요한 역할을 하는 미세구조 분석에 대하여 다룰 것이다. 왜냐하면 미세 구조 재료로부터 재료 특성의 예측과 그 반대의 경우는 기존 이론적 접근법에서도 핵심적 부분을 담당하고 있기 때문이다. 만약 정량적 미세 구조물의 상관관계에 대하여 설계할 때, 미세 구조의 입력값과 출력값이 매개 변수가 아닌 시각적 이미지의 형태라면 도움이 될 것이다. 그러나 실제 이미지 기반 PMPR 모델을 구축하기에는 일반적인 딥러닝 기술만으로는 충분하지 않다. 시각적 이미지를 입출력 데이터로 사용하는 뛰어난 PMPR 모델을 제작하기 위해서 저자는 생성적 적대 신경망을 사용하였다. 최근 개발된 DCGAN, Cycle GAN, Pix2Pix과 같은 생성적 적대 신경망 기반 딥 러닝 기술은 사실적인 미세구조를 생성하는데 도움이 되었다. 이와 관련하여 저자는 정량적 미세 구조물의 상관관계 모델에 활용하기 위해 DCGAN, Cycle GAN, Pix2Pix 기술을 사용하여 다양한 유형의 철 및 리튬 이온 배터리 재료에 대한 가상 현미경 사진을 제작하였다. 5장에서는 최근 금속 재료학에서 기계학습 기술을 기반으로 하는 데이터 중심 접근법에 대하여 다룰 것이다. 현장에서 대부분의 기계학습 방식은 재료 조건과 특성 사이의 명확한 관계를 설명하는 정량적 모델을 구축하는 데 중점을 두고 있다. 이러한 모델의 입력값은 합금 조성, 결정 구조, 미세 구조, 가공 (열 / 기계적) 조건 및 기타 조건을 포함하며, 출력값은 기계 및 기능적 특성과 같은 재료 특성을 나타낸다. 일반적으로 입력하는 재료의 조건 수는 출력하기를 원하는 재료의 조건 수보다 훨씬 많은 경우 잘 학습된 기계학습 모델을 구축하였으며 주어진 재료 조건에서 재료 특성을 쉽게 예측할 수 있다. 그러나 이러한 예측은 사실 실제 공학에서 그리 유용하지 않다. 따라서 우리가 실제로 집중해야 할 것은 역 설계 모델링이라 불리는 역 예측이며, 여기서 요구되는 재료 조건은 출력하길 원하는 재료 특성으로부터 예측된다. 이러한 종류의 역 예측은 출력값보다 훨씬 적은 수의 입력값을 가지는 인위적인 기계 학습 모델을 필요로 한다. 따라서 저자는 작동하지 않는 역 기계 학습 모델이 아니라 기존 심층 신경망을 사용하는 메타 휴리스틱스 기반 역 예측과 수정된 autoencoder기반의 비정형 DNN모델 이 두 가지의 접근 방식을 사용하여 역 설계 모델링을 구축하였다.
인공 지능 기반 설계는 다차원계 검색 공간의 조합 스크리닝, 미세 구조로부터 재료 특성 예측, 스마트 기능성 재료 개발, 복합상 무기 화합물에서의 상 식별 등에서 마주하게 되는 막대한 실험적 부담을 완화하는 데 도움이 되며, 모든 경우의 수를 열거하는 방법과 같은 효과를 지닌다. 저자는 XRD 패턴에서 많은 실험량을 요구하는 분말 공정의 복잡성, 정량적 미세 구조 물성 관계, XRD 패턴의 상 식별을 위해 심층 신경망, 생성적 적대 신경망, 합성곱 신경망 이론을 참고하였다. 이 논문에서 저자는 인공 지능 기술 기반의 재료 정보학에 대해 설명하고 이 내용을 바탕으로 논문을 작성하였다. 1장에서는 인공 지능 이론 및 재료 정보학에 대하여 다루고, 2-5장은 상술한 인공 지능 기술을 이용한 재료 정보학에 대하여 다룰 것이다. 2장에서 저자는 패터닝, 프린팅, 증착 및 마운팅과 같은 고가의 제조 공정을 통해서만 제조할 수 있는 복잡한 시트를 대체 할 수 있는 압저항성 시트에 대하여 다룰 것이다. 딥 러닝 기술을 통해 제작하는 매우 간단한 벌크 시트는 복잡한 제조 공정을 사용하지 않고도 스마트 키패드의 역할을 수행 할 수 있다. 이 간단한 시트형 키패드는 기능성, 유연성, 간편성 및 비용 면에서 기존의 모든 휴대용 키패드 보다 뛰어나게 작동하였고, 우월한 성능을 가졌다. 3장에서는 복합상 무기 화합물에서의 상 식별 및 정량 문제를 분류하기 위해 사용되는 딥 러닝 기술을 이용한 쉽고 신속한 공정에 대하여 다룰 것이다. 저자는 현재 LED 형광체에서 활발하게 개발되고 있는 Sr-Li-Al-O 4차 구성 pool의 170개의 무기 화합물을 이용하여 잘 만들어진 XRD 패턴을 시뮬레이션 하였다. CNN모델을 설계하였고 준비해 두었던 많은 양의 데이터세트를 사용하여 훈련시켰다. 딥러닝을 끝낸 합성곱 신경망 모델은 복합상 무기 화합물의 구성 상을 신속하고 정확하게 식별할 수 있다. 만약 이렇게 합성곱 신경망으로 시뮬레이션된 XRD 데이터를 사용하여 딥러닝을 진행할 경우 실제 실험 XRD 데이터를 사용한 테스트와 상 식별의 경우 거의 100%, 3단계 위상 분별 정량화의 경우 98.67%의 높은 정확도를 지녔다. 4장에서는 금속 및 세라믹과 같은 공학 재료들 뿐만 아니라 리튬 이온 배터리 양극 및 음극과 같은 기능성 재료의 재료 특성을 해석하는 데 중요한 역할을 하는 미세구조 분석에 대하여 다룰 것이다. 왜냐하면 미세 구조 재료로부터 재료 특성의 예측과 그 반대의 경우는 기존 이론적 접근법에서도 핵심적 부분을 담당하고 있기 때문이다. 만약 정량적 미세 구조물의 상관관계에 대하여 설계할 때, 미세 구조의 입력값과 출력값이 매개 변수가 아닌 시각적 이미지의 형태라면 도움이 될 것이다. 그러나 실제 이미지 기반 PMPR 모델을 구축하기에는 일반적인 딥러닝 기술만으로는 충분하지 않다. 시각적 이미지를 입출력 데이터로 사용하는 뛰어난 PMPR 모델을 제작하기 위해서 저자는 생성적 적대 신경망을 사용하였다. 최근 개발된 DCGAN, Cycle GAN, Pix2Pix과 같은 생성적 적대 신경망 기반 딥 러닝 기술은 사실적인 미세구조를 생성하는데 도움이 되었다. 이와 관련하여 저자는 정량적 미세 구조물의 상관관계 모델에 활용하기 위해 DCGAN, Cycle GAN, Pix2Pix 기술을 사용하여 다양한 유형의 철 및 리튬 이온 배터리 재료에 대한 가상 현미경 사진을 제작하였다. 5장에서는 최근 금속 재료학에서 기계학습 기술을 기반으로 하는 데이터 중심 접근법에 대하여 다룰 것이다. 현장에서 대부분의 기계학습 방식은 재료 조건과 특성 사이의 명확한 관계를 설명하는 정량적 모델을 구축하는 데 중점을 두고 있다. 이러한 모델의 입력값은 합금 조성, 결정 구조, 미세 구조, 가공 (열 / 기계적) 조건 및 기타 조건을 포함하며, 출력값은 기계 및 기능적 특성과 같은 재료 특성을 나타낸다. 일반적으로 입력하는 재료의 조건 수는 출력하기를 원하는 재료의 조건 수보다 훨씬 많은 경우 잘 학습된 기계학습 모델을 구축하였으며 주어진 재료 조건에서 재료 특성을 쉽게 예측할 수 있다. 그러나 이러한 예측은 사실 실제 공학에서 그리 유용하지 않다. 따라서 우리가 실제로 집중해야 할 것은 역 설계 모델링이라 불리는 역 예측이며, 여기서 요구되는 재료 조건은 출력하길 원하는 재료 특성으로부터 예측된다. 이러한 종류의 역 예측은 출력값보다 훨씬 적은 수의 입력값을 가지는 인위적인 기계 학습 모델을 필요로 한다. 따라서 저자는 작동하지 않는 역 기계 학습 모델이 아니라 기존 심층 신경망을 사용하는 메타 휴리스틱스 기반 역 예측과 수정된 autoencoder기반의 비정형 DNN모델 이 두 가지의 접근 방식을 사용하여 역 설계 모델링을 구축하였다.
Artificial Intelligence based design would be helpful in relieving the enormous experimental burdens faced during the combinatorial screening of a huge, multidimensional search space, prediction of macro-scale materials properties from microstructures, develop of smart functional materials, phase id...
Artificial Intelligence based design would be helpful in relieving the enormous experimental burdens faced during the combinatorial screening of a huge, multidimensional search space, prediction of macro-scale materials properties from microstructures, develop of smart functional materials, phase identification in complex multiphase inorganic compounds while providing the same effect as total enumeration. In order to tackle the high-throughput powder processing complications and quantitative microstructure physical property relationships and phase identification from XRD patterns to secure practical new materials, I refered some of theories below this page. Artificial Intelligence technique based on deep neural networks (DNN), Generative adversarial network (GAN), Convolutional neural network (CNN). In this study, the author Explicated about an Artificial Intelligence Technique Based Material Informatics and wrote the thesis based on this content. Chapter 1, deals with an artificial intelligence theory and Material Informatics and Chapters 2-5 are about the material informatics using artificial intelligence Technique. In Chap. 2, we suggest a bare, bulk, macroscale piezoresistive sheet as a replacement for these complex devices that are achievable only through high-cost fabrication processes such as patterning-based coating, printing, deposition, and mounting. A deep-learning technique based on deep neural networks (DNN) enables this extremely simple bulk sheet to play the role of a smart keypad without the use of complicated fabrication processes. This simple sheet-type keypad worked perfectly and outperformed all of the existing portable keypads in terms of functionality, flexibility, disposability, and cost. In Chap. 3, Here we report a facile, prompt protocol based on deep learning techniques to sort out intricate phase identification and quantification problems in complex multiphase inorganic compounds. We simulate plausible powder XRD patterns for 170 inorganic compounds in the Sr-Li-Al-O quaternary compositional pool, wherein promising LED phosphors have been recently discovered. Convolutional neural network (CNN) models are built, and eventually trained using this large prepared dataset. The fully trained CNN model promptly and accurately identifies the constituent phases in complex multiphase inorganic compounds. Although the CNN is trained using the simulated XRD data, a test with real experimental XRD data returns an accuracy of nearly 100% for phase identification and 98.67% for three-step-phase-fraction quantification. In Chap. 4, Microstructure analysis has played a pivotal role in interpreting the macro-scale materials properties of engineering materials such as metals and ceramics, as well as those of functional materials such as Li-battery cathodes and anodes. The prediction of macro-scale materials properties from microstructures, and vice versa, should be a key part of existing theoretical approaches. When modeling quantitative microstructure physical property relationships (QMPRs), it would be helpful if the microstructural input and output were in the form of visual images rather than parameterized descriptors. However, only a typical supervised learning technique would be insufficient to build up a real-image-based PMPR model. Generative adversarial network (GAN) is necessary to achieve such a promising PMPR model that adopts visual images as input and output data. Recently developed GAN-based deep-learning techniques such as a deep convolutional generative adversarial network (DCGAN), a cycle-consistent generative adversarial network (Cycle GAN), and a conditional GAN-based image to image translation (Pix2Pix) could be of great help via the creation of realistic microstructures. In this regard, we generated virtual micrographs for various types of steel and for Li-ion battery materials using a DCGAN, a Cycle GAN, and a Pix2Pix with the intention of utilizing them for QMPR models. In Chap. 5, A data-driven approach based on machine learning (ML) techniques has recently been established in metallurgy research. Most ML approaches in the field have been focused on the build-up for reliable quantitative models elucidating a definite relationship between materials condition and performance. The input feature in such a model involves alloy compositions, crystal structure, microstructures, processing (heat/mechanical) histories, and other conditions, and the output feature designates the materials performance such as mechanical and functional properties. In general, the input feature dimension (the number of material conditions) is much higher than the output feature dimension (the number of materials property of concern). Once a reliable ML model was set up, the prediction of material performances from given material conditions would be easily achieved. It is true, however, that such a prediction is not very useful for practical engineering. What would really interest us should be an inverse prediction, so-called an inverse design modeling, wherein required material conditions should be deduced from a desired material property. This sort of inverse prediction necessitates an awkward ML model exhibiting a far less number of input features than that of output features. Rather than such an inverse ML model that would never work out, we realized inverse design by employing two approaches, a metaheuristics-assisted inverse prediction using a conventional deep neural network and an atypical DNN model based on the modified variational autoencoder.
Artificial Intelligence based design would be helpful in relieving the enormous experimental burdens faced during the combinatorial screening of a huge, multidimensional search space, prediction of macro-scale materials properties from microstructures, develop of smart functional materials, phase identification in complex multiphase inorganic compounds while providing the same effect as total enumeration. In order to tackle the high-throughput powder processing complications and quantitative microstructure physical property relationships and phase identification from XRD patterns to secure practical new materials, I refered some of theories below this page. Artificial Intelligence technique based on deep neural networks (DNN), Generative adversarial network (GAN), Convolutional neural network (CNN). In this study, the author Explicated about an Artificial Intelligence Technique Based Material Informatics and wrote the thesis based on this content. Chapter 1, deals with an artificial intelligence theory and Material Informatics and Chapters 2-5 are about the material informatics using artificial intelligence Technique. In Chap. 2, we suggest a bare, bulk, macroscale piezoresistive sheet as a replacement for these complex devices that are achievable only through high-cost fabrication processes such as patterning-based coating, printing, deposition, and mounting. A deep-learning technique based on deep neural networks (DNN) enables this extremely simple bulk sheet to play the role of a smart keypad without the use of complicated fabrication processes. This simple sheet-type keypad worked perfectly and outperformed all of the existing portable keypads in terms of functionality, flexibility, disposability, and cost. In Chap. 3, Here we report a facile, prompt protocol based on deep learning techniques to sort out intricate phase identification and quantification problems in complex multiphase inorganic compounds. We simulate plausible powder XRD patterns for 170 inorganic compounds in the Sr-Li-Al-O quaternary compositional pool, wherein promising LED phosphors have been recently discovered. Convolutional neural network (CNN) models are built, and eventually trained using this large prepared dataset. The fully trained CNN model promptly and accurately identifies the constituent phases in complex multiphase inorganic compounds. Although the CNN is trained using the simulated XRD data, a test with real experimental XRD data returns an accuracy of nearly 100% for phase identification and 98.67% for three-step-phase-fraction quantification. In Chap. 4, Microstructure analysis has played a pivotal role in interpreting the macro-scale materials properties of engineering materials such as metals and ceramics, as well as those of functional materials such as Li-battery cathodes and anodes. The prediction of macro-scale materials properties from microstructures, and vice versa, should be a key part of existing theoretical approaches. When modeling quantitative microstructure physical property relationships (QMPRs), it would be helpful if the microstructural input and output were in the form of visual images rather than parameterized descriptors. However, only a typical supervised learning technique would be insufficient to build up a real-image-based PMPR model. Generative adversarial network (GAN) is necessary to achieve such a promising PMPR model that adopts visual images as input and output data. Recently developed GAN-based deep-learning techniques such as a deep convolutional generative adversarial network (DCGAN), a cycle-consistent generative adversarial network (Cycle GAN), and a conditional GAN-based image to image translation (Pix2Pix) could be of great help via the creation of realistic microstructures. In this regard, we generated virtual micrographs for various types of steel and for Li-ion battery materials using a DCGAN, a Cycle GAN, and a Pix2Pix with the intention of utilizing them for QMPR models. In Chap. 5, A data-driven approach based on machine learning (ML) techniques has recently been established in metallurgy research. Most ML approaches in the field have been focused on the build-up for reliable quantitative models elucidating a definite relationship between materials condition and performance. The input feature in such a model involves alloy compositions, crystal structure, microstructures, processing (heat/mechanical) histories, and other conditions, and the output feature designates the materials performance such as mechanical and functional properties. In general, the input feature dimension (the number of material conditions) is much higher than the output feature dimension (the number of materials property of concern). Once a reliable ML model was set up, the prediction of material performances from given material conditions would be easily achieved. It is true, however, that such a prediction is not very useful for practical engineering. What would really interest us should be an inverse prediction, so-called an inverse design modeling, wherein required material conditions should be deduced from a desired material property. This sort of inverse prediction necessitates an awkward ML model exhibiting a far less number of input features than that of output features. Rather than such an inverse ML model that would never work out, we realized inverse design by employing two approaches, a metaheuristics-assisted inverse prediction using a conventional deep neural network and an atypical DNN model based on the modified variational autoencoder.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.