Сергей Кольцов выступил на семинаре в университете Сириус

20-24 ноября 2023 года в университете Сириус прошел семинар "Математическое моделирование материлов: современные исследования и подготовка кадров". 21 ноября на мероириятии выступил ведущий научный сотрудник Лаборатории социальной и когнитивной информатики С. Н. Кольцов.

Доклад ведущего научного сотрудника СКИЛа, доктора компьютерных наук, доцента департамента прикладной математики и бизнес-информатики Санкт-Петербургской школы экономики и менеджмента НИУ ВШЭ Сергея Николаевича Кольцова был посвящен обзору алгоритмов машинного обучения в области материаловедения.
Основные тезисы доклада:

Материаловедение – это междисциплинарная область, которая использует концепции и методы физики, химии, биологии и математики для изучения свойств и поведения материалов. В последние годы методы машинного обучения стали неотъемлемой частью этой области, помогая исследователям и инженерам в предсказании новых материалов, разработке и оптимизации процессов и систем. Машинное обучение активно используется в таких направлениях, как:
Прогнозирование свойств материалов : Машинное обучение используется для предсказания свойств материалов, таких как прочность, устойчивость к коррозии, теплопроводность и других. Это позволяет ускорить процесс разработки новых материалов, минимизируя время и стоимость экспериментов.
Оптимизация процессов : Алгоритмы машинного обучения могут быть использованы для оптимизации процессов производства материалов, таких как термическая обработка, ковка, литье и т.д. Это позволяет улучшить качество продукции, снизить затраты и увеличить эффективность.
Разработка новых материалов : Методы машинного обучения могут быть использованы для создания новых материалов с заранее определенными свойствами. Это делается путем обучения моделей на имеющихся данных о материалах и их свойствах, а затем использования этих моделей для предсказания свойств потенциально новых материалов.
Анализ и классификация материалов : Машинное обучение может быть использовано для анализа и классификации материалов на основе их свойств. Это может быть полезно для идентификации неизвестных материалов или для автоматического отбора материалов для конкретных приложений.
Управление качеством : Машинное обучение может быть использовано для обнаружения дефектов и отклонений в процессе производства материалов. Это позволяет быстро исправлять проблемы и предотвращать производство некачественной продукции.

В целом, машинное обучение представляет собой мощный инструмент, который может существенно улучшить процесс разработки и производства материалов. Однако его успешное применение требует глубокого понимания как самих методов машинного обучения, так и специфики исследуемых материалов и процессов. Таким образом, в рамках данной лекции, во-первых, были рассмотрены основные направления машинного обучения, которые используются в области материаловедения. Во-вторых, сделан обзор нейросетевых моделей для решения дифференциальных уравнений. В-третьих, рассмотрены примеры использования алгоритмов машинного обучения для решения задач в области материаловедения, а также «open source» проекты с применением алгоритмов машинного обучения в данной области.

Скачать презентацию (PDF, 3.42 Мб)