Adaptive Learning, Searching and Optimization
Adaptive Learning, Searching and Optimization er MatterSpaces energibaserte forskningsretning. Den studerer hvordan man søker i svært store designrom etter kandidater som oppfyller harde krav, og hvordan man bruker kostbar beregning der den mest sannsynlig lønner seg.
Utviklet av Faruk Guney.


Vår tese: energibaserte tilnærminger vil bety stadig mer.
Vi tror at energibaserte tilnærminger, inkludert energibaserte modeller (EBMs), vil spille en stadig viktigere rolle i hvordan KI sampler og evaluerer kandidatdesign for vitenskap, forskning og ingeniørarbeid.
Dette er forskningstesen arbeidet vårt er bygget rundt: et syn på hvor fagfeltet er på vei, som vi tester på reelle designproblemer.
Kravene former søket
Harde krav og fleksible preferanser styrer hvilke kandidater som vurderes fra starten, i stedet for å sortere ferdige resultater.
Fysikken ligger til grunn for hver kandidat
Fysisk plausibilitet former hvordan kandidatdesign foreslås og hvordan de vurderes.
Beregning der det teller
Raskere evalueringer kommer først, og tyngre fysikkbaserte beregninger går til kandidatene som fortjener en grundigere validering.
Designrom, i dag og videre.
Innen materialer spenner et designrom over mange dimensjoner samtidig. Brikkedesign er det neste området vi planlegger å forske på.
Struktur
Hvordan atomene i et materiale er ordnet.
Sammensetning
Hvilke grunnstoffer et materiale inneholder, og i hvilke forhold.
Prosessbetingelser
Hvordan et materiale lages, for eksempel temperaturene og trykkene det gjennomgår.
Neste: brikkedesign
Et fremtidig forskningsområde: kandidater til brikkedesign som oppfyller mål som ytelse, strømforbruk og areal.
To sløyfer, sett fra din side.
Søket arbeider i to sløyfer, og hver har en oppgave du kan se.
Den indre sløyfen
Foreslår kandidater og gir hver av dem en første evaluering.
Den ytre sløyfen
Bruker disse resultatene til å sette retningen for søket og til å hjelpe med å avgjøre hvilke kandidater som går videre til grundigere validering.
MS Lattice bruker denne forskningen på materialer i dag.
MS Lattice er fysikkbasert invers design for materialoppdagelse og optimering. Kravene og preferansene dine styrer kandidatgenereringen fra starten, og beregningene går til lovende materialer som er verdt å validere. Beregningsmessig potensial, beregningsmessig validering og eksperimentell validering er separate steg: MS Lattice leverer de to første, og eksperimentell validering skjer i et laboratorium, ditt eget eller via Norck.
Utviklet av Faruk Guney.
Kom med et designproblem.
Fortell oss hva et materiale må gjøre og hvilke grenser det må respektere, så viser vi deg hvordan MS Lattice ville gripe det an.

