Adaptive Learning, Searching and Optimization
Adaptive Learning, Searching and Optimization ist die energiebasierte Forschungsrichtung von MatterSpace. Sie untersucht, wie man sehr große Designräume nach Kandidaten durchsucht, die harte Anforderungen erfüllen, und wie man teure Rechenleistung dort einsetzt, wo sie sich am wahrscheinlichsten auszahlt.
Entwickelt von Faruk Guney.


Unsere These: Energiebasierte Ansätze werden immer wichtiger.
Wir glauben, dass energiebasierte Ansätze, einschließlich energiebasierter Modelle (EBMs), eine zunehmend wichtige Rolle dabei spielen werden, wie KI Kandidatendesigns für Wissenschaft, Forschung und Technik sampelt und bewertet.
Das ist die Forschungsthese, auf der unsere Arbeit aufbaut: eine Einschätzung, wohin sich das Feld entwickelt, die wir an realen Designproblemen testen.
Anforderungen formen die Suche
Harte Anforderungen und flexible Präferenzen bestimmen von Anfang an, welche Kandidaten berücksichtigt werden, statt fertige Ergebnisse zu sortieren.
Physik prägt jeden Kandidaten
Physikalische Plausibilität bestimmt, wie Kandidatendesigns vorgeschlagen und wie sie beurteilt werden.
Rechenleistung, wo sie zählt
Schnellere Bewertungen kommen zuerst, und aufwendigere physikbasierte Berechnungen gehen an die Kandidaten, die eine tiefere Validierung verdienen.
Designräume, heute und als Nächstes.
Bei Materialien erstreckt sich ein Designraum über viele Dimensionen zugleich. Chipdesign ist das nächste Feld, dessen Erforschung wir planen.
Struktur
Wie die Atome eines Materials angeordnet sind.
Zusammensetzung
Welche Elemente ein Material enthält und in welchen Anteilen.
Prozessbedingungen
Wie ein Material hergestellt wird, etwa die Temperaturen und Drücke, die es durchläuft.
Chipdesign, als Nächstes
Ein zukünftiges Forschungsfeld: Kandidaten für Chipdesigns, die Ziele wie Leistung, Stromverbrauch und Fläche erfüllen.
Zwei Schleifen, aus deiner Sicht.
Die Suche arbeitet in zwei Schleifen, und jede hat eine Aufgabe, die du sehen kannst.
Die innere Schleife
Schlägt Kandidaten vor und gibt jedem eine erste Bewertung.
Die äußere Schleife
Nutzt diese Ergebnisse, um die Richtung der Suche festzulegen und mitzuentscheiden, welche Kandidaten zur tieferen Validierung weitergehen.
MS Lattice wendet diese Forschung heute auf Materialien an.
MS Lattice ist physikbasiertes inverses Design für Materialentdeckung und -optimierung. Deine Anforderungen und Präferenzen steuern die Kandidatengenerierung von Anfang an, und die Rechenleistung fließt in vielversprechende Materialien, die eine Validierung lohnen. Rechnerisches Potenzial, rechnerische Validierung und experimentelle Validierung sind getrennte Schritte: MS Lattice liefert die ersten beiden, und die experimentelle Validierung findet in einem Labor statt, in deinem eigenen oder über Norck.
Entwickelt von Faruk Guney.
Bring uns ein Designproblem.
Sag uns, was ein Material leisten muss und welche Grenzen es einhalten muss, und wir zeigen dir, wie MS Lattice es angehen würde.

