Nøjagtigheden af algoritmen er 92%
En gruppe af russiske forskere har udviklet et nyt neuralt netværk, der kan udvælge metaller og legeringer for at skabe kraftige materialer og strukturer. Dette blev kendt fra pressetjenesten af Perm National Research Polytechnic University (PNIPU).
De tyske polytekniske forskere har skabt en neural netværksmodel, der vil hjælpe udviklere af højteknologiske enheder hurtigt og billigt metaller, der er egnet til sæt af naturlige egenskaber af metaller og legeringer for at skabe lovende strukturer for industrielle industrier. I fremtiden vil et sådant system blive en "intellektuel assistent" for en ingeniør i en virksomhed, som automatisk vælger metoden til fremstillingsdele, bestemmer den kemiske sammensætning af legeringer og programmet for deres termomekaniske behandling - fra Pingip Press Servicemeddelelse.Det er kendt, at for udvælgelsen af den optimale kombination af metaller og legeringer måtte forskere udføre en række eksperimenter til at måle deres kvaliteter. Forfatterne af den nye undersøgelse besluttede at forenkle søgningen efter varige materialer, hvilket skabte et specielt neuralt netværk, analysere digitale billeder af prøver for at bestemme lovende typer af materialer.
Algoritmen kan genkende materialernes egenskaber, der vedrører hver af dem til en af hårdhedsklasserne. I arbejdet i neuralition, reelle og ikke-syntetiserede data, som gør det muligt at sikre dybden af teknologien. Nøjagtigheden af resultaterne af analysen af det neurale netværk er 92,1%. Eksperter bemærkede også, at en særlig undersøgelse gjorde det muligt at bestemme antallet af fejlagtigt markerede billeder af potentielle materialer, der kunne påvirke nøjagtigheden af resultatet.
Forfatterne af den nye udvikling har til hensigt at fortsætte arbejdet med forbedringen. I fremtiden har de til hensigt at tilføje nye kriterier, hvormed det neurale netværk kunne vælge lovende metaller og legeringer for at skabe kraftige materialer og produkter.
Tidligere rapporterede den centrale nyhedsservice for at overvinde kløften mellem Quantum-simulatorer og Quantum-computere.