- Kacper Cygan (@decan33)
- Krzysztof Klimczyk (@bxo11)
- Krzysztof Kubit (@KrzQbt)
-
Definicja Celów Projektu
Głównym celem tego projektu jest stworzenie modelu sztucznej inteligencji, który może przewidywać, czy dany materiał jest izolatorem, półprzewodnikiem, czy przewodnikiem na podstawie dostępnych danych strukturalnych i chemicznych, bez bezpośredniego uwzględnienia wartości przerwy energetycznej (band gap). Celem jest przyspieszenie procesu identyfikacji właściwości materiałów. -
Określenie Wskaźników Sukcesu
- Dokładność modelu w klasyfikowaniu materiałów jako izolatory, półprzewodniki lub przewodniki.
- Zdolność modelu do generalizacji na materiały nieobecne w danych treningowych.
-
Wyznaczenie Zakresu Projektu
- Zbieranie i przygotowanie danych z Materials Project.
- Rozwój i trening modelu AI do przewidywania właściwości materiałów.
- Walidacja i testowanie modelu na niezależnym zbiorze danych.
- Optymalizacja modelu dla lepszej wydajności i dokładności.
-
Określenie Korzyści z Realizacji
- Przyspieszenie charakteryzacji nowych materiałów.
- Zmniejszenie potrzeby eksperymentów fizycznych dzięki wstępnym przewidywaniom AI.
- Python
pandasmatplotlibsklearnFeatureWiz- TBA
- Sposób użycia danych będzie polegał na sprecyzowaniu wzoru chemicznego "composition" na podstawie którego model określi band gap materiału.
- Z istniejących rozwiązań dostępnych jest niewiele prostych przykładów, które określają band gap na podstawie struktury materiału. Poza tym istnieje narzędzie "automatminer" - https://hackingmaterials.lbl.gov/automatminer/, które automatycznie dobiera cechy i tworzy model uczenia maszynowego do określania wybranej cechy.
save_to_file.py: Skrypt do pobierania danych z Materials Project i zapisywania ich do pliku CSV.google_colab_auto_feature_selection.ipynb: Notebook Google Colab do automatycznego wyboru cech przy użyciu FeatureWiz.google_colab_auto_feature_selection_with_structure.ipynb: Notebook Google Colab do automatycznego wyboru cech z uwzględnieniem struktury materiałów.
random_forest_regression.ipynb: Notebook do regresji z użyciem lasu losowego na podstawie wybranych cech.random_forest_regression_with_structure.ipynb: Notebook do regresji z użyciem lasu losowego z uwzględnieniem struktury materiałów.