машинного обучения

Совсем недавно ученые использовали алгоритмы машинного обучения, чтобы быстро предсказать свойства, которыми будет обладать определенное расположение атомов. Проблема с этим подходом заключается в том, что для обучения модели требуется много высокоточных данных, которых часто не существует.

Объединив большие объемы данных с низкой точностью с меньшими объемами данных с высокой точностью, наноинженеры из виртуальной лаборатории материалов в Калифорнийском университете в Сан-Диего разработали новый метод машинного обучения для прогнозирования свойств материалов с большей точностью, чем существующие модели. …

Новый метод позволяет лучше прогнозировать свойства материалов с использованием данных низкого качества: подход с множественной точностью также позволяет прогнозировать свойства для неупорядоченных материаловПодробнее »