生化环材,网络戏称四大天坑,排名分先后。
材料专业,天坑中的天坑。
材料的坑这么深,是因为不重要吗?
恰恰相反,从社会到学校都在强调材料的战略性、基础性核心地位。
连材料专业的学生在找工作之前也会挺起胸膛地说:没有高温合金,发动机怎么转?没有钛合金,手机如何又轻又结实?没有碳纤维,你哪来这么轻的鱼竿?
材料之坑,坑在其学习难度大,坑在其工作环境差,坑在其研发周期长,坑在其转行门槛高。
不说了,怕部分读者看了破防。
但是在迎面扑来的人工智能时代,材料的深坑将迎来曙光,甚至有望被填平一部分。
我们刚做了一个机器学习辅助新材料研发的项目,满怀激动与大家分享。
客户研制的材料是热熔胶,就是你拿来粘塑料粘木板粘金属的那种加热可融化的胶棒。
热熔胶由多种成分组成,乙烯醇乳胶、聚酰胺、增粘树脂、增塑剂等等。研制时按照不同的比例混合,最终得到特定粘度的热熔胶。
新配方研制常规思路是先根据设计师经验确定配比,然后做样品测试。周期短则半个月,长则数年。
多年以来,客户已积累了500余种原料的6万多种热熔胶配方。这些配方本是公司的核心资产,但它们大多以纸质形式存储,未被有效利用,略显可惜。
我们从尘封的文件中提取了17种原料的29种配方,小试牛刀尝试基于AIPOD软件做机器学习和优化。
这29组宝贵数据,输入变量是17种原料各自的百分比,输出变量是热熔胶粘度。
第一步,先做重要性分析,剔除重要度低于0.01的12个输入变量。
然后调用4种回归算法做回归建模,最终的建模流程如下:
精度对比后发现Ridge算法精度最高,R2值达到了0.92。
得到输入和输出之间的代理模型之后,就可输入原料配比,光速预测热熔胶粘度。
更进一步,还能利用AIPOD的优化功能,根据目标粘度,输出最佳原料配比。
如此一来,新材料研发的效率将千百倍提升。
但数据库扩充需要时间,待我们取得足够多样本,再狠狠写一篇文章来吹牛。
如果你手头恰好有数据,不妨联系我们试试,一起为材料专业正名!
社恐人士也可亲自尝试,天洑软件官网下载AIPOD即送30天许可,欢迎试用。
格局打开。从全国范围看,机器学习+新材料研发的热潮也已开启。
2024年,工业和信息化部、财政部、国家数据局3部门联合印发了《新材料大数据中心总体建设方案》。
计划用10年时间,全面建成国家层面的新材料大数据中心,实现材料数据的共享,缓解机器学习中的数据短缺问题。
我们相信到那一天,材料将不再是天坑最坑,最起码四大天坑顺序有望变成生化材环
材料老哥们坚持住,光明就在眼前了。