Metody sztucznej inteligencji w zastosowaniu do przewidywania właściwości materiałów

Sieci głębokiej wiarygodności

Sieci głębokiej wiarygodności (ang. deep belief networks) to typ sieci neuronowych, które do uzyskiwania wyników wykorzystują model uczenia maszynowego bez nadzoru. Jedną z typowych cech sieci głębokiej wiarygodności jest to, że chociaż warstwy mają między sobą połączenia, sieć nie obejmuje połączeń między neuronami w ramach jednej warstwy. Podstawowym elementem składowym sieci głębokiej wiarygodności jest maszyna Boltzmanna. Jest ona rodzajem powtarzającej się sieci neuronowej, w której węzły podejmują binarne decyzje a także są obciążone pewnymi odchyleniami. Dzięki nieliniowej funkcji aktywacji i ukrytym neuronom, sieci głębokich wiarygodności są w stanie przetwarzać złożone mapowania danych.

Generatywne sieci przeciwstawne a metody uczenia maszynowego

Generatywne sieci przeciwstawne (ang. generative adversarial networks) to rodzaj sztucznej inteligencji, która generuje nowe, unikalne dane podobne do już istniejących. Sieci generatywne wywodzące się z teorii gier składają się z dwóch sieci neuronowych konkurujących w dostarczaniu coraz dokładniejszych przewidywań. Składają się z dwóch części: generatora i dyskryminatora. Generator tworzy nowe dane. Dyskryminator decyduje, czy dane wygenerowane przez generator są prawdziwe (z istniejącego zbioru danych), czy fałszywe (wytworzone przez generator). W ostatniej dekadzie sieci przeciwstawne wzbudziły zainteresowanie ich potencjałem w generowaniu złożonych mikrostruktur wielofazowych.

Buehler [16] zaproponował model sieci przeciwstawnych umożliwiający przewidywanie rozkładu naprężeń na poziomie atomowym, bezpośrednio na podstawie wejściowej mikrostruktury atomowej. Wskazano na możliwość przewidywania rozkładu naprę...