Korozyonla Mücadele için Yeni Makine Öğrenimi Modeli
Max-Planck-Institut für Eisenforschung'a bağlı bilim insanları, alaşımlardaki korozyon hareketlerinin tahmin doğruluğunu mevcut yöntemlere kıyasla yüzde 15'e kadar yükselten bir makine öğrenimi modeli geliştirdi.
Max Planck Eisenforschung Enstitüsü ekibi tarafından geliştirilen model, yeni ancak gerçekçi
korozyona dirençli alaşım bileşimlerini ortaya çıkarıyor. Modeli öne çıkaran özellik, hem sayısal hem de metinsel verileri bir araya getirmesidir.
Başlangıçta güçlü alaşımlarda çukur korozyonuyla mücadele etmek için tasarlanmış olsa da, model diğer çeşitli alaşım özelliklerine de uygulanabilir. Araştırmacılar, çalışma sonuçlarını Science Advances dergisinde yayınladı.
Çalışmanın baş yazarı ve Max-Planck-Institut für Eisenforschung'da eski doktora sonrası araştırmacısı olan Kasturi Narasimha Sasidhar, "Her alaşımın korozyon direnciyle ilgili benzersiz özellikleri vardır. Bu özellikler sadece alaşım bileşimine değil, aynı zamanda alaşımın üretim sürecine de bağlıdır.
Mevcut makine öğrenimi modelleri yalnızca sayısal verilerden faydalanabilmektedir. Ancak, çoğunlukla metinsel tanımlayıcılarla belgelenen işleme metodolojileri ve deneysel test protokolleri, korozyonu açıklamada oldukça önemlidir."
Araştırma ekibi, ChatGPT'ye benzer dil işleme yöntemlerini sayısal veriler için makine öğrenimi (ML) teknikleriyle birlikte kullandı ve tam otomatik bir doğal dil işleme çerçevesi geliştirdi. Ayrıca, metinsel verilerin makine öğrenimi çerçevesine dahil edilmesi, çukur korozyonuna dirençli gelişmiş alaşım bileşimlerinin belirlenmesine olanak tanıyor.
Yayının ortak yazarı ve Max-Planck-Institut für Eisenforschung'da Korozyon Grubu Başkanı Michael Rohwerder "Derin öğrenme modelini, korozyon özellikleri ve bileşimi hakkında bilgi içeren içsel verilerle eğittik. Artık model, tek tek elementler başlangıçta modele girmemiş olsa bile korozyon direnci için kritik olan alaşım bileşimlerini belirleyebiliyor" açıklamasını yaptı.
Yakın zamanda geliştirilen modelde Sasidhar ve ekibi, manuel olarak toplanan verileri metinsel tanımlayıcılar olarak kullanmıştır. Şu anda amaçları, veri madenciliği sürecini otomatikleştirmek ve mevcut çerçeveye sorunsuz bir şekilde entegre etmektir.
Mikroskopi görüntülerinin dahil edilmesi, metinsel, sayısal ve görüntü tabanlı verileri birleştiren yeni nesil yapay zeka modellerini mümkün kılacak bir başka kilometre taşına işaret etmektedir.
Kaynak
