OTI Lumionics Inc. | Разработка материалов для дисплеев без «мокрой» лаборатории: достижения в об...

Чтобы посмотреть эту презентацию полностью, пожалуйста, приобретите годовой абонемент TechBlick https://www.techblick.com/registration и войдите в систему на платформе TechBlick https://app.swapcard.com/event/techblick Предстоящие мероприятия: https://www.techblick.com/events-agenda Все презентации с наших прошлых мероприятий доступны по запросу: https://www.techblick.com/past-events Скотт Генин, руководитель отдела разработки материалов Машинное обучение (МО) и искусственный интеллект (ИИ) значительно продвинулись в химическом проектировании. Автокодировщики и сверточные нейронные сети позволили абстрагировать химические структуры в определенное латентное пространство, которое можно оптимизировать или соотнести со сложными химическими свойствами. Это привело к предположению, что МО позволит быстро проектировать новые химические соединения. К сожалению, для обучения моделей МО часто требуются сотни тысяч четко определенных точек данных, которые часто трудно получить экспериментально или невозможно для новых материалов. Из-за недостатка экспериментальных данных модели машинного обучения часто обучаются на данных, полученных в результате моделирования в квантовой химии, таких как теория функционала плотности. Модели машинного обучения, обученные на данных моделирования в квантовой химии, наследуют проблемы, присущие этим теориям, без тщательного учета предвзятости, существующей в методах квантовой химии, и, таким образом, только ускоряют сходимость к неверному ответу. Это требует от ученых разработки точных методов квантовой химии для генерации точных синтетических данных, поддерживающих алгоритмы машинного обучения. Здесь мы представляем новый метод, вдохновленный квантовыми вычислениями, — итеративный метод связанных кластеров кубитов, — который демонстрирует сильную корреляцию между изменениями функциональных групп и наблюдаемым фосфоресцентным излучением в органических светодиодах. Мы обсудим, как эти методы могут быть использованы для создания точных и согласованных баз данных для обучения моделей машинного обучения.