Vai al contenuto
Advancing Bits to Master Atoms

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.

Un blocco argento satinato lavorato a macchina in dolci colline e valli su una base a gradini in grafite, con piccole sfere blu cobalto adagiate nelle valli.Un blocco argento satinato lavorato a macchina in dolci colline e valli su una base a gradini in grafite, con piccole sfere blu cobalto adagiate nelle valli.

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.