Metody sztucznej inteligencji w zastosowaniu do przewidywania właściwości materiałów

Rekurencyjne sieci neuronowe a metody uczenia maszynowego

W sieciach neuronowych rekurencyjnych, opracowanych do przetwarzania danych sekwencyjnych, sygnał otrzymany na wyjściu sieci trafia powtórnie na jej wejście. Takie sprzężenie zwrotne stosowane jest co najmniej dla jednej warstwy neuronów. Wśród sieci rekurencyjnych wyróżnia się Long Short-Term Memory Neural Network (LSTM) i Gated Recurrent Unit (GRU).

Rekurencyjne sieci neuronowe są przydatne do analizy dużych odkształceń sprężysto-plastycznych brył. Sieci rekurencyjne oparte na GRU wykorzystano do badania efektów jednorodnego wzmocnienia anizotropowego wywołanego odkształceniem plastycznym [8] jak również do określenia właściwości plastycznych materiałów kompozytowych zależnych od drogi odkształcenia [9]. Frankel i in. [10] wykorzystali sieci LSTM do przewidywania właściwości sprężystych i plastycznych oligokryształów na podstawie obrazów mikrostruktur. Koeppe i in. [11] zastosowali podejście oparte na sieciach rekurencyjnych, wspierane przez strategię wyszukiwania hiperparametrów, do identyfikacji podstawowych modeli konstytutywnych (elastoplastyczność, hipersprężystość, lepkosprężystość) materiałów hiperelastycznych.

Autoenkoder

Autoenkoder jest szczególnym przypadkiem sieci neuronowych jednokierunkowych typu feedforward. W przeciwieństwie do uczenia nadzorowanego, autoenkoder ma na celu poznanie funkcji tożsamości. Składa się z dwóch części, tj. kodera przekształcającego dane wejściowe do postaci niskowymiarowej reprezentacji danych i dekodera, który przekształca dane wejściowe z zakodowanej reprezentacji do danych wyjściowych, jednocześnie minimalizując błąd rekonstrukcji. Podobnie jak perceptron wielowarstwowy, autoenkoder wykor...