Австралийско-немецкого сотрудничества демонстрирует полностью автономную работу СПМ, применяя искусственный интеллект и глубокое обучение, чтобы избавиться от необходимости постоянного присмотра человека.
Новая система, получившая название DeepSPM, устраняет разрыв между нанонауки, автоматизации и искусственного интеллекта (AI), и прочно закрепляет использование машинного обучения для экспериментальных научных исследований.
«Оптимизация сбора данных СЗМ может быть очень утомительно. Этот процесс оптимизации обычно осуществляется человеческий экспериментатор, и редко сообщается», — говорит начальник флота следователь д-р Агустин Schiffrin (университет Монаша).
«Наш новый AI-система может работать и приобретать оптимальные данные СПМ автономно, за несколько дней подряд, и без присмотра человека.»
Продвижение приносит передовые методики СЗМ, такие как атомарно-точные наноматериалов и высокопроизводительного сбора данных ближе к полностью автоматизированной приложений под ключ.
Новый глубокий подход к обучению может быть обобщен с другими методами СЗМ. Исследователи сделали весь каркас публично доступны в интернете, с открытым исходным кодом, создавая важнейший ресурс для научного сообщества нанонауки.
Полностью автономный DeepSPM
«Решающее значение для успеха DeepSPM является использование самообучающихся агентов, как правильно управляющие входы заранее не известны», — говорит д-р Корнелиус Крулл, соруководитель проекта.
«Исходя из своего опыта, наш агент подстраивается под меняющиеся условия эксперимента и находит стратегию, чтобы сохранить систему стабильной», — говорит д-р Крулл, который работает с доктором Шиффрин в школе Монаш физики и астрономии.
ИИ-управляемые системы начинается с алгоритмического поисках лучших образцов регионы и доходы с приобретением автономных данных.
Затем он использует сверточные нейронные сети для оценки качества данных. Если качество данных не хорошо, DeepSPM использует глубокое обучение с подкреплением агент для улучшения состояния зонда.
DeepSPM может работать в течение нескольких дней, приобретение и постоянной обработке данных, а также управляющих параметров СПМ в ответ на меняющиеся условия эксперимента, без какого-либо контроля.
Исследование демонстрирует полностью автономные, долгосрочный СПМ работе впервые путем объединения:
- алгоритмический подход на примере выбора и сбора данных СЗМ;
- контролируемого машинного обучения с использованием сверточных нейронных сетей для оценки качества и классификации данных СЗМ и
- глубокое обучение с подкреплением для динамического автоматизированного скважинного зонда управления и кондиционирования.
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!