அம்சம் கணிப்பு மற்றும் கட்டமைப்பு-செயல்முறை-சொத்து உறவுகள் (இயந்திர கற்றல்)

ஆதாயங்கள்:

• கலவை மற்றும் செயல்முறை அளவுருக்களிலிருந்து இயந்திர சொத்துக் கணிப்புக்காக AI உடன் இயந்திர கற்றல் சிக்கலை துல்லியமாக கட்டமைக்கும் திறன்
• தரவுத் தரம், அதிகப்படியான பொருத்துதல் மற்றும் எக்ஸ்ட்ராபோலேஷன் ஆகியவற்றின் அபாயங்களைக் கண்டறிவதன் மூலம் ஒரு மாதிரியின் வெளியீட்டை விமர்சன ரீதியாகப் படிக்கும் திறன்
• முன்கணிப்பு மாதிரி முடிவுகளை உடல் நம்பகத்தன்மை, நம்பிக்கை இடைவெளி மற்றும் சரிபார்ப்பு சோதனை மூலம் சோதிக்கும் திறன்

உலோகவியலின் மிக அடிப்படையான விதி "செயல்முறை கட்டமைப்பை தீர்மானிக்கிறது; கட்டமைப்பு சொத்தை தீர்மானிக்கிறது." ஒரு எஃகு மகசூல் வலிமை கலவை மட்டும் சார்ந்துள்ளது; இது எவ்வாறு செயலாக்கப்படுகிறது (மோசடி, உருட்டல், வெப்ப சிகிச்சை) மற்றும் அதன் விளைவாக வரும் நுண் கட்டமைப்பு (தானிய அளவு, கட்ட விகிதம், படிவுகள்) ஆகியவற்றிலிருந்து எழுகிறது. செயற்கை நுண்ணறிவு மற்றும் குறிப்பாக இயந்திர கற்றல் (எம்.எல்: தரவுகளில் உள்ள வடிவங்களிலிருந்து கற்று கணிப்புகளை உருவாக்கும் முறைகள்), ஆயிரக்கணக்கான தரவு புள்ளிகளிலிருந்து இந்த கலவை-செயல்முறை-சொத்து உறவுகளைப் பிரித்தெடுப்பதில் மற்றும் ஒரு புதிய கலவையின் பண்புகளைக் கணிப்பதில் சக்தி வாய்ந்தது. ஆனால் இந்த சக்தி தரவு தரத்தை முழுமையாக சார்ந்துள்ளது மற்றும் மாதிரி நம்பகமானது என்பதை அறிவது. இந்த யூனிட்டில், ML-அடிப்படையிலான அம்சக் கணிப்பை எவ்வாறு உருவாக்குவது மற்றும் அதன் வெளியீட்டை எவ்வாறு விமர்சன ரீதியாகப் படிப்பது என்பதை நீங்கள் கற்றுக் கொள்வீர்கள்.

இயந்திர கற்றல் சிக்கலை சரியாக அமைத்தல்

ஒரு அம்சக் கணிப்புச் சிக்கலை எம்.எல்-ல் போடுவதற்கு முன், மூன்று விஷயங்களைத் தெளிவாக்கவும்:

• உள்ளீடு (பண்புகள்): கணிப்பில் பயன்படுத்தப்படும் மாறிகள். எடுத்துக்காட்டாக, கலவை சதவீதங்கள் (C, Mn, Cr, Ni...), வெப்ப சிகிச்சை வெப்பநிலை மற்றும் நேரம், தானிய அளவு.
• வெளியீடு (இலக்கு): கணிக்கப்பட வேண்டிய அம்சம். உதாரணமாக, மகசூல் வலிமை, நீட்சி, கடினத்தன்மை.
• தரவு: உள்ளீடு-வெளியீட்டு ஜோடிகளின் அட்டவணை. ஒவ்வொரு வரிசையும் ஒரு மாதிரி, ஒவ்வொரு நெடுவரிசையும் ஒரு பண்பு அல்லது இலக்கு.

இந்தத் தரவிலிருந்து மாதிரி ஒரு "செயல்பாட்டை" கற்றுக்கொள்கிறது: இது உள்ளீடுகளை எடுத்து வெளியீட்டைக் கணிக்கும். நேரியல் பின்னடைவு (எளிய எடையுள்ள தொகை), சீரற்ற காடு அல்லது சாய்வு அதிகரிப்பு போன்ற முறைகள் பொதுவானவை. எந்த முறை பொருத்தமானது என்று பரிந்துரைப்பதற்கும், குறியீட்டை எழுதுவதற்கும், முடிவை விளக்குவதற்கும் AI உதவியாக இருக்கும்; ஆனால் மாடல் சரியானதா இல்லையா என்பதை நீங்கள் சரிபார்க்கலாம்.

தரவு தரம்: மாதிரியின் உச்சவரம்பு

ML மாதிரியானது பயிற்சியளிக்கப்பட்ட தரவை விட சிறப்பாக இருக்க முடியாது. "குப்பை உள்ளே, குப்பை வெளியே" என்ற கொள்கை உலோகவியலில் மிகவும் வலுவானது, ஏனெனில் சோதனைத் தரவு விலை உயர்ந்தது மற்றும் பற்றாக்குறையானது. இந்த பொறிகளைக் கவனியுங்கள்:

• சிறிய தரவு: நீங்கள் 30 மாதிரிகளுடன் சிக்கலான மாதிரிகளை உருவாக்க முடியாது; மாதிரியானது தரவை மனப்பாடம் செய்கிறது.
• சமநிலையற்ற தரவு: பெரும்பாலான தரவுகள் குறைந்த கார்பன் ஸ்டீல்களாக இருந்தால், அதிக கார்பன் கலவையில் கணிப்பு மோசமாக இருக்கும்.
• அளவீட்டு சத்தம்: வெவ்வேறு ஆபரேட்டர்களுடன் ஒரே மாதிரியின் கடினத்தன்மை மாறுபடலாம்; இந்த சத்தம் மாதிரியில் பிரதிபலிக்கிறது.
• காணாமல் போன மாறி: நீங்கள் தானிய அளவை அளவிடவில்லை என்றால், கலவை மூலம் வலிமையைக் கணிக்க முயற்சிக்கும் மாதிரியானது ஒரு முக்கியமான காரணத்தைத் தவறவிடும்.

கவனம்: ஒரு மாடல் பயிற்சித் தரவில் அதிக வெற்றியைப் பெற்றிருப்பதால், அது புதிய மாதிரிகளிலும் வெற்றி பெறும் என்று அர்த்தமல்ல. இது மிகவும் பொருத்தமாக இருக்கலாம்: மாடல் பயிற்சி தரவில் உள்ள சத்தத்தை மனப்பாடம் செய்துள்ளது, உண்மையான உறவை அல்ல. மாடல் இதுவரை பார்த்திராத "சோதனை தரவு" மூலம் உண்மையான வெற்றி அளவிடப்படுகிறது.

எக்ஸ்ட்ராபோலேஷன்: மிகவும் ஆபத்தான வரம்பு

ML மாதிரிகள் பயிற்சி தரவு (இடைக்கணிப்பு) உள்ளடக்கிய வரம்பிற்குள் நியாயமான முறையில் செயல்படுகின்றன. இந்த வரம்பிற்கு வெளியே இருக்கும் போது (எக்ஸ்ட்ராபோலேஷன்), கணிப்புகள் நம்பகத்தன்மையற்றதாக மாறும் மற்றும் மாதிரி பெரும்பாலும் இதைக் காட்டாது; நம்பிக்கையான எண்ணைத் தொடர்ந்து உருவாக்குகிறது. எடுத்துக்காட்டாக, 0.2-0.6% வரம்பில் கார்பன் உள்ளடக்கம் கொண்ட ஸ்டீல்களில் பயிற்சியளிக்கப்பட்ட மாதிரியானது 1.2% கார்பன் கொண்ட அலாய்க்கு அதன் மதிப்பை "பாதுகாப்பானது" எனக் காட்டலாம், ஆனால் இந்த மதிப்பு முற்றிலும் ஆதாரமற்றது. ஒவ்வொரு கணிப்புக்கும், "இந்த மாதிரி பயிற்சி தரவு விநியோகத்தில் உள்ளதா?" என்ற கேள்வியைக் கேட்பது கட்டாயம்.

படிப்படியாக: AI உடன் கணிப்பு ஓட்டத்தை உருவாக்குதல்

1. இலக்கு மற்றும் உள்ளீடுகளை வரையறுக்கவும்: நீங்கள் எதைக் கணிப்பீர்கள், எந்த மாறிகளிலிருந்து?
2. தரவைத் தயாரிக்கவும்: சுத்தம் செய்தல், அலகுகளை சரிசெய்தல், விடுபட்ட மதிப்புகளைக் கொடியிடுதல். (AI: பைதான் குறியீட்டை எழுதுகிறது.)
3. தரவைப் பிரிக்கவும்: பயிற்சி மற்றும் சோதனைத் தொகுப்புகளைப் பிரிக்கவும், இதன் மூலம் நீங்கள் வெற்றியை துல்லியமாக அளவிட முடியும்.
4. மாதிரியைத் தேர்ந்தெடுத்துப் பயிற்றுவிக்கவும்: எளிமையாகத் தொடங்கவும் (நேரியல்), தேவைப்பட்டால் மர அடிப்படையிலானது.
5. மதிப்பீடு: சோதனைத் தொகுப்பில் உள்ள பிழை அளவீடுகளைப் பார்க்கவும் (எ.கா. RMSE, R²).
6. கருத்து: எந்த மாறி எவ்வளவு பயனுள்ளதாக இருக்கும்? இது உடல் ரீதியாக அர்த்தமுள்ளதா?
7. சரிபார்க்கவும்: உண்மையான பரிசோதனையுடன் முக்கியமான கணிப்பைச் சோதிக்கவும்; எக்ஸ்ட்ராபோலேஷனை சரிபார்க்கவும்.

கருத்து

பொருள்

உலோகவியலில் இது ஏன் முக்கியமானது?

அதிகப்படியான பொருத்தம்

சத்தத்தை மனப்பாடம் செய்த மாதிரி

சிறிய சோதனை தரவுகளுடன் இது மிகவும் எளிதானது

இடைச்செருகல்

பயிற்சி வரம்பிற்குள் கணிப்பு

ஒப்பீட்டளவில் பாதுகாப்பான பகுதி

எக்ஸ்ட்ராபோலேஷன்

பயிற்சி வரம்பிற்கு வெளியே கணிப்பு

நம்பமுடியாத; பரிசோதனை தேவை

R²

மாதிரியால் விளக்கப்பட்ட மாறுபாட்டின் விகிதம்

பொருந்தக்கூடிய தரத்தின் காட்டி

அம்சம் முக்கியத்துவம்

உள்ளீட்டின் தாக்கத்தின் அளவு

உடல் நியாயத்தன்மை சோதனை

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - மனப்பாடம் செய்யும் மாதிரி. 45 எஃகு மாதிரிகள் மூலம் மகசூல் வலிமையைக் கணிக்கும் சிக்கலான மாதிரியை ஒரு குழு உருவாக்குகிறது; பயிற்சி தரவு R² = 0.99 ஆக மாறி அவர்கள் மகிழ்ச்சியடைகின்றனர். இருப்பினும், சோதனை தரவுகளில் இது R² = 0.42 ஆக குறைகிறது. மாடல் அதிக பொருத்தமாக உள்ளது. அவர்கள் எளிமையான மாதிரிக்கு மாறி, தரவை அதிகரிக்கும்போது, ​​சோதனை வெற்றி 0.80 ஆக அதிகரிக்கிறது. பாடம்: கல்வி வெற்றி தவறானது; சோதனை தரவு மூலம் முடிவு எடுக்கப்படுகிறது.

வழக்கு 2 - எக்ஸ்ட்ராபோலேஷன் பொறி. ஒரு பொறியாளர் குறைந்த-அலாய் ஸ்டீல்களில் பயிற்சி பெற்ற மாதிரியை உயர்-Cr துருப்பிடிக்காத கலவைக்கு பயன்படுத்துகிறார். மாடல் "சுமார் 620 MPa" என்று கூறுகிறது. உண்மையான இழுவிசை சோதனை 410 MPa க்கு வருகிறது. கலவை முற்றிலும் கல்வி விநியோகத்திற்கு வெளியே உள்ளது. பாடம்: கணிப்புக்கு முன் உள்ளீடு பயிற்சி வரம்பிற்குள் உள்ளதா என்பதைச் சரிபார்க்க வேண்டியது அவசியம்.

வழக்கு 3 - சரியான பயன்பாடு. ஒரு R&D குழு உலோகக் கலவைகளின் குடும்பத்தில் ஆயிரக்கணக்கான பதிவுகளைக் கொண்டு கடினத்தன்மையில் வெப்பநிலையைக் குறைக்கும் விளைவை மாதிரியாகக் கொண்டுள்ளது. மாதிரியானது அறியப்பட்ட இயற்பியல் போக்கை மீண்டும் உருவாக்குகிறது (அதிகரிக்கும் வெப்பநிலையுடன் கடினத்தன்மை குறைகிறது) மேலும் இலக்கு கடினத்தன்மையை அடையக்கூடிய கலவை வரம்பைக் குறைக்கிறது. சோதனைகளின் எண்ணிக்கையைக் குறைக்க குழு மாதிரியைப் பயன்படுத்துகிறது: 40க்குப் பதிலாக 8 சோதனைகள் மூலம் இலக்கை அடைவது மற்றும் ஒவ்வொரு அடியையும் அளவீடுகளுடன் சரிபார்த்தல். பாடம்: நல்ல தரவு மற்றும் இயற்பியல் நம்பகத்தன்மை சோதனைகள் மூலம் ML புத்திசாலித்தனமாக பரிசோதனை திட்டமிடலை குறைக்கிறது.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

ML பிரச்சனை அமைப்பு வார்ப்புரு "பாத்திரம்: நீங்கள் ஒரு பொருள் தரவு அறிவியல் உதவியாளர். இலக்கு: [கணிக்கப்பட வேண்டிய அம்சம்]. உள்ளீடுகள்: [பண்புகள்]. என்னிடம் [n] மாதிரிகள் உள்ளன. இந்தச் சிக்கலுக்கு: (1) பொருத்தமான எளிய மற்றும் மேம்பட்ட மாதிரி விருப்பங்களைப் பரிந்துரைக்கவும், (2) பயிற்சி/சோதனைப் பிரிப்பு மற்றும் மதிப்பீட்டின் அடிப்படையிலான கூடுதல் ஆபத்துகளை விளக்கவும். திட்டவட்டமான வெற்றியை உறுதியளிக்கவும்; வரம்புகளை தெளிவாக எழுதுங்கள்.

தரவு தர தணிக்கை டெம்ப்ளேட் "பின்வரும் தரவு அட்டவணையின் தரத்தைச் சரிபார்க்கவும்: [நெடுவரிசைகள் மற்றும் மாதிரி வரிசைகளை ஒட்டவும்]. கொடி: விடுபட்ட மதிப்புகள், அவுட்லையர்கள், யூனிட் முரண்பாடுகள், சமநிலையற்ற விநியோகம். ஒவ்வொரு சிக்கலுக்கும், அதை எவ்வாறு கையாள்வது என்று பரிந்துரைக்கவும். மாடலிங் செய்வதற்கு முன் நான் என்ன செய்ய வேண்டும் என்பதை பட்டியலிடவும்."

எக்ஸ்ட்ராபோலேஷன் கன்ட்ரோல் டெம்ப்ளேட் "எனது பயிற்சி விளைச்சலில் உள்ள ஒவ்வொரு உள்ளீட்டின் குறைந்தபட்ச-அதிகபட்ச வரம்பு: [வரம்புகளை எழுது]. நான் கணிக்க விரும்பும் புதிய மாதிரி: [மதிப்புகளை எழுது]. இந்த மாதிரி ஒவ்வொரு பண்புக்கூறிலும் பயிற்சி வரம்பிற்கு உள்ளே அல்லது வெளியே உள்ளதா? இது வெளியில் இருந்தால், எந்த மாறிகள் மற்றும் கணிப்பு ஏன் நம்பத்தகாதது என்பதை விளக்கவும்."

இயற்பியல் நம்பகத்தன்மை டெம்ப்ளேட் "மாதிரியின் அம்ச முக்கியத்துவத்தின் வரிசை [வகை] ஆகும். இந்த ஆர்டர் அறியப்பட்ட உலோகவியல் உறவுகளுடன் (எ.கா. ஹால்-பெட்ச், விரைவு கடினப்படுத்துதல், கார்பன் விளைவு) ஒத்துப்போகிறதா? உடல் ரீதியாக எதிர்பாராத விளைவு இருந்தால், அதைக் குறியிட்டு, சாத்தியமான தரவு/மாடல் சிக்கலை விளக்குங்கள்."

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான ப்ராம்ப்ட்: "இந்த கலவையின் அடிப்படையில் மகசூல் வலிமையைக் கணிக்கவும்."

வலுவான தூண்டுதல்:"பங்கு: நீங்கள் மெட்டீரியல் டேட்டா சயின்ஸ் அசிஸ்டெண்ட். என்னிடம் 800 லைன்கள் குறைந்த அலாய் ஸ்டீல் டேட்டா (C, Mn, Cr, Ni, டெம்பரிங் டெம்பரேச்சர் ->மகசூல் வலிமை) உள்ளது. புதிய மாதிரி: C=0.38, Mn=0.8, Cr=1.0, Ni=0.2,temper=550 °C வரம்பிற்குள் இந்த மாதிரியை சரியாகச் சரிபார்த்து, இந்த அணுகுமுறையை முதலில் சரிபாருங்கள். நிச்சயமற்ற தன்மையை விளக்கவும்.

வலுவான ப்ராம்ட் ஒரு கணிப்பு செய்வதற்கு முன் எக்ஸ்ட்ராபோலேஷன் சோதனை கேட்கிறது, நிச்சயமற்ற தன்மையை நீக்குகிறது மற்றும் இயற்பியல் விதிகளுக்கு எதிராக முடிவை சோதிக்கிறது. இது ஒரு மூல எண்ணை விட மிகவும் நம்பகமான முடிவு அடிப்படையை வழங்குகிறது.

பொதுவான தவறுகள்

• கல்வி வெற்றியை உண்மையான வெற்றியாக தவறாகப் புரிந்துகொள்வது (அதிகப்படிப்பைத் தவிர்ப்பது).
• பயிற்சி/சோதனை பிரிப்பு இல்லாமல் மாதிரியை மதிப்பீடு செய்தல்.
• எக்ஸ்ட்ராபோலேஷன் பகுதியில் தயாரிக்கப்பட்ட மதிப்பீட்டை பாதுகாப்பானதாக ஏற்றுக்கொள்வது.
• சிறிய மற்றும் சமநிலையற்ற தரவுகளுடன் சிக்கலான மாதிரிகளை உருவாக்குதல்.
• அம்ச முக்கியத்துவத்தை உடல் நம்பகத்தன்மையுடன் ஒப்பிடவில்லை.
• சோதனையின் மூலம் சரிபார்க்காமல் வடிவமைப்பில் ஒரு முக்கியமான யூகத்தை வைப்பது.

சுருக்கமாக

இயந்திர கற்றல் நல்ல தரவுகளுடன் கலவை-செயல்முறை-சொத்து உறவுகளை சக்திவாய்ந்த முறையில் கைப்பற்றுகிறது மற்றும் புத்திசாலித்தனமாக சோதனை திட்டமிடலை குறைக்கிறது. ஆனால் ஒரு மாதிரி அதன் தரவைப் போலவே சிறந்தது; பயிற்சி சாதனை தவறாக வழிநடத்தும் (அதிக பொருத்துதல்) மற்றும் பயிற்சி வரம்பிற்கு வெளியே மதிப்பீடுகள் (எக்ஸ்ட்ராபோலேஷன்) நம்பமுடியாதவை. ஒவ்வொரு கணிப்பையும் சோதனை தரவு வெற்றி, எக்ஸ்ட்ராபோலேஷன் கட்டுப்பாடு, உடல் நம்பகத்தன்மை மற்றும் முக்கியமான சந்தர்ப்பங்களில் உண்மையான பரிசோதனை மூலம் சோதிக்கவும்.

விண்ணப்ப பணி

ஏற்கனவே உள்ள (அல்லது கற்பனையான) பொருள் தரவுத் தொகுப்பைக் கொண்டு சொத்துக் கணிப்புச் சிக்கலை வரையறுக்கவும்: இலக்கு மற்றும் உள்ளீடுகளை எழுதவும். "ML பிரச்சனை படம்" டெம்ப்ளேட்டுடன் AI இலிருந்து அணுகலைக் கேட்கவும். பின்னர் "புதிய மாதிரியை" வரையறுத்து, "எக்ஸ்ட்ராபோலேஷன் செக்" டெம்ப்ளேட்டைக் கொண்டு இந்த மாதிரி பயிற்சி வரம்பிற்குள் உள்ளதா என்பதைச் சரிபார்க்கவும். இறுதியாக, மாதிரியின் வெளியீட்டை எந்த பரிசோதனை மூலம் சரிபார்க்க வேண்டும் என்பதை ஒரு பத்தியில் விவரிக்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் இலக்கு மற்றும் உள்ளீடுகளை தெளிவாக வரையறுத்தேன்.
• [ ] நான் தரவுத் தரத்தைச் சரிபார்த்தேன் (காணாமல் போனது, அவுட்லையர், யூனிட், இருப்பு).
• [ ] பயிற்சி/சோதனை பிரிவின் மூலம் நேர்மையான வெற்றியை அளந்தேன்.
• [ ] ஒவ்வொரு மதிப்பீட்டிற்கும் எக்ஸ்ட்ராபோலேஷன் அபாயத்தைச் சரிபார்த்தேன்.
• [ ] நான் அம்ச முக்கியத்துவத்தை இயற்பியல் நம்பகத்தன்மையுடன் ஒப்பிட்டேன்.
• [ ] உண்மையான பரிசோதனையுடன் முக்கியமான கணிப்பைச் சரிபார்க்க நான் ஒரு திட்டத்தைச் செய்தேன்.