Adaptive Learning, Searching and Optimization
Adaptive Learning, Searching and Optimization è la direzione di ricerca di MatterSpace basata sull’energia. Studia come esplorare spazi di progettazione molto grandi alla ricerca di candidati che soddisfano requisiti stringenti, e come impiegare il calcolo costoso dove ha più probabilità di ripagare.
Sviluppato da Faruk Guney.


La nostra tesi: gli approcci basati sull’energia conteranno sempre di più.
Crediamo che gli approcci basati sull’energia, inclusi i modelli basati sull’energia (EBMs), avranno un ruolo sempre più importante nel modo in cui l’IA campiona e valuta i progetti candidati per la scienza, la ricerca e l’ingegneria.
È la tesi di ricerca attorno a cui è costruito il nostro lavoro: una visione di dove si sta dirigendo il settore, che mettiamo alla prova su problemi di progettazione reali.
I requisiti danno forma alla ricerca
Requisiti stringenti e preferenze flessibili guidano fin dall’inizio quali candidati vengono considerati, invece di ordinare risultati già finiti.
La fisica orienta ogni candidato
La plausibilità fisica determina come i progetti candidati vengono proposti e come vengono giudicati.
Calcolo dove conta
Le valutazioni più rapide vengono prima, e i calcoli più pesanti basati sulla fisica vanno ai candidati che meritano una validazione più approfondita.
Spazi di progettazione, oggi e domani.
Nei materiali, uno spazio di progettazione si estende su molte dimensioni contemporaneamente. La progettazione di chip è la prossima area che pianifichiamo di studiare.
Struttura
Come sono disposti gli atomi di un materiale.
Composizione
Quali elementi contiene un materiale, e in quali proporzioni.
Condizioni di processo
Come viene prodotto un materiale, ad esempio le temperature e le pressioni a cui è sottoposto.
Progettazione di chip, il passo successivo
Un’area di ricerca futura: progetti di chip candidati che rispettano target come prestazioni, consumo energetico e area.
Due cicli, visti dalla tua parte.
La ricerca funziona in due cicli, e ciascuno ha un compito che puoi vedere.
Il ciclo interno
Propone candidati e assegna a ciascuno una prima valutazione.
Il ciclo esterno
Usa quei risultati per stabilire la direzione della ricerca e per aiutare a decidere quali candidati passano a una validazione più approfondita.
MS Lattice applica oggi questa ricerca ai materiali.
MS Lattice è progettazione inversa basata sulla fisica per la scoperta e l’ottimizzazione di materiali. I tuoi requisiti e le tue preferenze guidano la generazione dei candidati fin dall’inizio, e il calcolo va ai materiali promettenti che meritano la validazione. Promessa computazionale, validazione computazionale e validazione sperimentale sono passaggi distinti: MS Lattice fornisce i primi due, e la validazione sperimentale avviene in un laboratorio, il tuo o tramite Norck.
Sviluppato da Faruk Guney.
Portaci un problema di progettazione.
Dicci cosa deve fare un materiale e i limiti che deve rispettare, e ti mostreremo come MS Lattice lo affronterebbe.

