Adaptive Learning, Searching and Optimization
Adaptive Learning, Searching and Optimization är MatterSpaces energibaserade forskningsinriktning. Den studerar hur man söker igenom mycket stora designrymder efter kandidater som uppfyller hårda krav, och hur man lägger dyra beräkningar där de mest sannolikt lönar sig.
Utvecklad av Faruk Guney.


Vår tes: energibaserade metoder kommer att betyda allt mer.
Vi tror att energibaserade metoder, inklusive energibaserade modeller (EBMs), kommer att spela en allt viktigare roll i hur AI samplar och utvärderar kandidatdesigner för vetenskap, forskning och ingenjörsarbete.
Det här är forskningstesen som vårt arbete är uppbyggt kring: en uppfattning om vart fältet är på väg, som vi testar på verkliga designproblem.
Kraven formar sökningen
Hårda krav och flexibla preferenser styr vilka kandidater som övervägs från början, i stället för att färdiga resultat sorteras.
Fysiken präglar varje kandidat
Fysikalisk rimlighet formar hur kandidatdesigner föreslås och hur de bedöms.
Beräkningar där de gör skillnad
Snabbare utvärderingar kommer först, och tyngre fysikbaserade beräkningar går till de kandidater som förtjänar en djupare validering.
Designrymder, i dag och härnäst.
Inom material spänner en designrymd över många dimensioner samtidigt. Chipdesign är nästa område vi planerar att forska inom.
Struktur
Hur atomerna i ett material är ordnade.
Sammansättning
Vilka grundämnen ett material innehåller, och i vilka proportioner.
Processförhållanden
Hur ett material framställs, till exempel de temperaturer och tryck det genomgår.
Chipdesign, härnäst
Ett framtida forskningsområde: kandidater för chipdesign som uppfyller mål som prestanda, effektförbrukning och yta.
Två loopar, sedda från din sida.
Sökningen arbetar i två loopar, och var och en har en uppgift du kan se.
Den inre loopen
Föreslår kandidater och ger var och en en första utvärdering.
Den yttre loopen
Använder de resultaten för att sätta sökningens riktning och för att hjälpa till att avgöra vilka kandidater som går vidare till djupare validering.
MS Lattice tillämpar den här forskningen på material i dag.
MS Lattice är fysikbaserad invers design för materialupptäckt och materialoptimering. Dina krav och preferenser styr kandidatgenereringen från början, och beräkningarna går till lovande material som är värda att validera. Beräkningsmässig potential, beräkningsmässig validering och experimentell validering är separata steg: MS Lattice levererar de två första, och experimentell validering sker i ett labb, ditt eget eller via Norck.
Utvecklad av Faruk Guney.
Kom till oss med ett designproblem.
Berätta vad ett material måste klara och vilka gränser det måste respektera, så visar vi hur MS Lattice skulle angripa det.

