Aller au contenu
Advancing Bits to Master Atoms

Adaptive Learning, Searching and Optimization

Adaptive Learning, Searching and Optimization est l’axe de recherche de MatterSpace fondé sur l’énergie. Il étudie comment explorer de très vastes espaces de conception pour trouver des candidats qui satisfont des exigences strictes, et comment consacrer un calcul coûteux là où il a le plus de chances d’être rentable.

Développé par Faruk Guney.

Un bloc argent satiné usiné en douces collines et vallées sur une base à gradins en graphite, avec de petites sphères bleu cobalt posées dans ses vallées.Un bloc argent satiné usiné en douces collines et vallées sur une base à gradins en graphite, avec de petites sphères bleu cobalt posées dans ses vallées.

Notre thèse : les approches fondées sur l’énergie compteront de plus en plus.

Nous pensons que les approches fondées sur l’énergie, y compris les modèles fondés sur l’énergie (EBMs), joueront un rôle de plus en plus important dans la façon dont l’IA échantillonne et évalue des conceptions candidates pour la science, la recherche et l’ingénierie.

C’est la thèse de recherche autour de laquelle notre travail est construit : une vision de l’évolution du domaine, que nous mettons à l’épreuve sur de vrais problèmes de conception.

  • Les exigences façonnent l’exploration

    Les exigences strictes et les préférences flexibles guident dès le départ le choix des candidats envisagés, plutôt que de trier des résultats finis.

  • La physique éclaire chaque candidat

    La plausibilité physique façonne la manière dont les conceptions candidates sont proposées et dont elles sont jugées.

  • Le calcul là où il compte

    Les évaluations plus rapides passent en premier, et les calculs plus lourds fondés sur la physique vont aux candidats qui méritent une validation plus approfondie.

Espaces de conception, aujourd’hui et demain.

Dans les matériaux, un espace de conception couvre de nombreuses dimensions à la fois. La conception de puces est le prochain domaine sur lequel nous prévoyons de mener des recherches.

  • Structure

    La façon dont les atomes d’un matériau sont agencés.

  • Composition

    Les éléments que contient un matériau, et dans quelles proportions.

  • Conditions d’élaboration

    La façon dont un matériau est fabriqué, comme les températures et les pressions qu’il subit.

  • La conception de puces, ensuite

    Un futur domaine de recherche : des candidats en conception de puces qui atteignent des cibles telles que les performances, la consommation électrique et la surface.

Deux boucles, vues de votre côté.

L’exploration fonctionne en deux boucles, et chacune a un rôle que vous pouvez voir.

  • La boucle interne

    Propose des candidats et donne à chacun une première évaluation.

  • La boucle externe

    Utilise ces résultats pour fixer la direction de l’exploration et pour aider à décider quels candidats passent à une validation plus approfondie.

MS Lattice applique aujourd’hui cette recherche aux matériaux.

MS Lattice, c’est la conception inverse fondée sur la physique pour la découverte et l’optimisation de matériaux. Vos exigences et vos préférences guident la génération de candidats dès le départ, et le calcul va à des matériaux prometteurs qui méritent d’être validés. Le potentiel identifié par le calcul, la validation numérique et la validation expérimentale sont des étapes distinctes : MS Lattice assure les deux premières, et la validation expérimentale se fait en laboratoire, dans le vôtre ou par l’intermédiaire de Norck.

Développé par Faruk Guney.

Soumettez-nous un problème de conception.

Dites-nous ce qu’un matériau doit faire et les limites qu’il doit respecter, et nous vous montrerons comment MS Lattice l’aborderait.