Spring til indhold
Advancing Bits to Master Atoms

Adaptive Learning, Searching and Optimization

Adaptive Learning, Searching and Optimization er MatterSpaces energibaserede forskningsretning. Den undersøger, hvordan man gennemsøger meget store designrum efter kandidater, der opfylder ufravigelige krav, og hvordan man bruger kostbar beregning dér, hvor den mest sandsynligt betaler sig.

Udviklet af Faruk Guney.

En blok i satinsølv, bearbejdet til blide bakker og dale, på en trinformet grafitsokkel, med små koboltblå kugler, der hviler i dalene.En blok i satinsølv, bearbejdet til blide bakker og dale, på en trinformet grafitsokkel, med små koboltblå kugler, der hviler i dalene.

Vores tese: energibaserede tilgange vil få stadig større betydning.

Vi tror, at energibaserede tilgange, herunder energibaserede modeller (EBMs), vil spille en stadig vigtigere rolle i, hvordan AI sampler og evaluerer kandidatdesign til videnskab, forskning og ingeniørarbejde.

Dette er den forskningstese, vores arbejde er bygget op omkring: et bud på, hvor feltet er på vej hen, som vi tester på virkelige designproblemer.

  • Krav former søgningen

    Ufravigelige krav og fleksible præferencer styrer, hvilke kandidater der overvejes fra starten, i stedet for at sortere færdige resultater.

  • Fysikken præger hver kandidat

    Fysisk plausibilitet former, hvordan kandidatdesign foreslås, og hvordan de bedømmes.

  • Beregning, hvor det tæller

    Hurtigere evalueringer kommer først, og tungere fysikbaserede beregninger går til de kandidater, der fortjener en grundigere validering.

Designrum, nu og fremover.

Inden for materialer spænder et designrum over mange dimensioner på én gang. Chipdesign er det næste område, vi planlægger at forske i.

  • Struktur

    Hvordan atomerne i et materiale er arrangeret.

  • Sammensætning

    Hvilke grundstoffer et materiale indeholder, og i hvilke forhold.

  • Procesbetingelser

    Hvordan et materiale fremstilles, såsom de temperaturer og tryk, det gennemgår.

  • Chipdesign, som det næste

    Et fremtidigt forskningsområde: kandidater til chipdesign, der opfylder mål som ydeevne, strømforbrug og areal.

To løkker, set fra din side.

Søgningen arbejder i to løkker, og hver har en opgave, du kan se.

  • Den indre løkke

    Foreslår kandidater og giver hver af dem en første evaluering.

  • Den ydre løkke

    Bruger de resultater til at sætte søgningens retning og til at hjælpe med at beslutte, hvilke kandidater der går videre til grundigere validering.

MS Lattice anvender denne forskning på materialer i dag.

MS Lattice er fysikbaseret invers design til materialeopdagelse og optimering. Dine krav og præferencer styrer kandidatgenereringen fra starten, og regnekraften går til lovende materialer, der er værd at validere. Beregningsmæssigt potentiale, beregningsmæssig validering og eksperimentel validering er separate trin: MS Lattice leverer de to første, og eksperimentel validering foregår i et laboratorium, dit eget eller via Norck.

Udviklet af Faruk Guney.

Kom med et designproblem.

Fortæl os, hvad et materiale skal kunne, og hvilke grænser det skal overholde, så viser vi dig, hvordan MS Lattice ville gribe det an.