Ga naar de inhoud
Advancing Bits to Master Atoms

Adaptive Learning, Searching and Optimization

Adaptive Learning, Searching and Optimization is de energiegebaseerde onderzoeksrichting van MatterSpace. Ze bestudeert hoe je zeer grote ontwerpruimtes doorzoekt naar kandidaten die aan harde eisen voldoen, en hoe je dure rekenkracht inzet waar die zich het meest waarschijnlijk terugbetaalt.

Ontwikkeld door Faruk Guney.

Een satijnzilveren blok, bewerkt tot zachte heuvels en dalen, op een getrapte grafieten voet, met kleine kobaltblauwe bollen die in de dalen rusten.Een satijnzilveren blok, bewerkt tot zachte heuvels en dalen, op een getrapte grafieten voet, met kleine kobaltblauwe bollen die in de dalen rusten.

Onze these: energiegebaseerde benaderingen zullen steeds belangrijker worden.

Wij geloven dat energiegebaseerde benaderingen, waaronder energiegebaseerde modellen (EBMs), een steeds belangrijkere rol zullen spelen in hoe AI kandidaatontwerpen bemonstert en evalueert voor wetenschap, onderzoek en engineering.

Dit is de onderzoeksthese waaromheen ons werk is opgebouwd: een visie op waar het vakgebied naartoe gaat, die we toetsen aan echte ontwerpproblemen.

  • Eisen geven de zoektocht vorm

    Harde eisen en flexibele voorkeuren sturen vanaf het begin welke kandidaten in aanmerking komen, in plaats van afgeronde resultaten te sorteren.

  • Fysica onderbouwt elke kandidaat

    Fysische plausibiliteit geeft vorm aan hoe kandidaatontwerpen worden voorgesteld en hoe ze worden beoordeeld.

  • Rekenkracht waar het telt

    Snellere evaluaties komen eerst, en zwaardere fysicagebaseerde berekeningen gaan naar de kandidaten die een grondigere validatie verdienen.

Ontwerpruimtes, nu en straks.

Bij materialen omvat een ontwerpruimte veel dimensies tegelijk. Chipontwerp is het volgende gebied dat we van plan zijn te onderzoeken.

  • Structuur

    Hoe de atomen van een materiaal zijn geordend.

  • Samenstelling

    Welke elementen een materiaal bevat, en in welke verhoudingen.

  • Procesomstandigheden

    Hoe een materiaal wordt gemaakt, zoals de temperaturen en drukken die het doorloopt.

  • Chipontwerp, als volgende

    Een toekomstig onderzoeksgebied: kandidaten voor chipontwerpen die voldoen aan doelen zoals prestaties, stroomverbruik en oppervlakte.

Twee lussen, gezien vanaf jouw kant.

De zoektocht werkt in twee lussen, en elk heeft een taak die je kunt zien.

  • De binnenste lus

    Stelt kandidaten voor en geeft elk een eerste evaluatie.

  • De buitenste lus

    Gebruikt die resultaten om de richting van de zoektocht te bepalen en mee te helpen beslissen welke kandidaten doorgaan naar een grondigere validatie.

MS Lattice past dit onderzoek vandaag toe op materialen.

MS Lattice is fysicagebaseerd invers ontwerp voor materiaalontdekking en -optimalisatie. Je eisen en voorkeuren sturen het genereren van kandidaten vanaf het begin, en rekenkracht gaat naar veelbelovende materialen die het valideren waard zijn. Computationele belofte, computationele validatie en experimentele validatie zijn afzonderlijke stappen: MS Lattice levert de eerste twee, en experimentele validatie gebeurt in een lab, je eigen lab of via Norck.

Ontwikkeld door Faruk Guney.

Leg ons een ontwerpprobleem voor.

Vertel ons wat een materiaal moet doen en welke grenzen het moet respecteren, en we laten je zien hoe MS Lattice het zou aanpakken.