Adaptive Learning, Searching and Optimization
Adaptive Learning, Searching and Optimization es la línea de investigación de MatterSpace basada en la energía. Estudia cómo buscar en espacios de diseño muy grandes candidatos que cumplan requisitos estrictos, y cómo dedicar el cómputo costoso allí donde es más probable que compense.
Desarrollado por Faruk Guney.


Nuestra tesis: los enfoques basados en la energía importarán cada vez más.
Creemos que los enfoques basados en la energía, incluidos los modelos basados en energía (EBMs), tendrán un papel cada vez más importante en cómo la IA muestrea y evalúa diseños candidatos para la ciencia, la investigación y la ingeniería.
Esta es la tesis de investigación en torno a la que se construye nuestro trabajo: una visión de hacia dónde se dirige el campo, que ponemos a prueba en problemas de diseño reales.
Los requisitos dan forma a la búsqueda
Los requisitos estrictos y las preferencias flexibles guían qué candidatos se consideran desde el principio, en lugar de ordenar resultados ya terminados.
La física orienta cada candidato
La plausibilidad física condiciona cómo se proponen los diseños candidatos y cómo se juzgan.
Cómputo donde importa
Primero van las evaluaciones más rápidas, y los cálculos más pesados basados en la física se destinan a los candidatos que merecen una validación más profunda.
Espacios de diseño, hoy y lo que viene.
En materiales, un espacio de diseño abarca muchas dimensiones a la vez. El diseño de chips es la próxima área que planeamos investigar.
Estructura
Cómo se disponen los átomos de un material.
Composición
Qué elementos contiene un material y en qué proporciones.
Condiciones de procesado
Cómo se fabrica un material, por ejemplo las temperaturas y presiones a las que se somete.
Diseño de chips, lo siguiente
Un área de investigación futura: diseños candidatos de chips que cumplan objetivos como rendimiento, consumo de energía y área.
Dos bucles, vistos desde tu lado.
La búsqueda funciona en dos bucles, y cada uno tiene una tarea que puedes ver.
El bucle interno
Propone candidatos y hace una primera evaluación de cada uno.
El bucle externo
Usa esos resultados para fijar la dirección de la búsqueda y para ayudar a decidir qué candidatos pasan a una validación más profunda.
MS Lattice aplica hoy esta investigación a los materiales.
MS Lattice es diseño inverso basado en la física para el descubrimiento y la optimización de materiales. Tus requisitos y preferencias guían la generación de candidatos desde el principio, y el cómputo se dedica a materiales prometedores que merece la pena validar. La promesa computacional, la validación computacional y la validación experimental son pasos distintos: MS Lattice proporciona los dos primeros, y la validación experimental tiene lugar en un laboratorio, el tuyo o a través de Norck.
Desarrollado por Faruk Guney.
Tráenos un problema de diseño.
Cuéntanos qué debe hacer un material y los límites que debe respetar, y te mostraremos cómo lo abordaría MS Lattice.

