Data-driven optimization in materials engineering

Abstract

The thesis deals with data-driven optimization from the perspective of materials engineering. The topic is addressed using four machine learning methods, three of which are currently in active use, and one is moving from research to industrial use in the near future. The machine learning methods covered are neural networks, Bayesian optimization, support vector machines, and crystal structure prediction. In materials research and design, there is a need to be able to find optimal materials for the industry's applications more efficiently. Machine learning methods can be used to meet this need by using methods for classifying, identifying, and predicting materials' properties and behaviour. The purpose of the thesis is to create an overview of the machine learning methods in use, their applications, and challenges. The topic is examined from the perspective of materials engineering, and when discussing machine learning methods, attention is paid to how the method can be used to find the materials that best suit the application targets. The purpose of the thesis is to answer the following research questions: how machine learning can be used to predict and optimize the properties of materials, how machine learning can help identify the structural and functional properties of materials as well their suitable to applications, and what kind of challenges and opportunities there are in data collection from the perspective of materials research and optimization. For each machine learning method, the thesis presents different techniques that are useful for examining and optimizing the properties of materials. In addition, the various challenges that make it difficult to obtain the desired results when using machine learning techniques are examined. The conclusion of the thesis can be seen that optimization methods based on machine learning significantly improve the efficiency of material design and the reliability of results, which promotes the development of new innovations in materials engineering. Using machine learning methods has enormous potential to improve and develop material properties and discover new materials. Machine learning methods are constantly being developed and new ones are being created. It is expected that by using new methods, the development of innovations in materials technology would be more efficient and diverse.

Tutkielmassa käsitellään datapohjaista optimointia materiaalitekniikan näkökulmasta. Aihetta käsitellään neljän koneoppimismenetelmän avulla, joista kolme on tällä hetkellä aktiivisessa käytössä ja yksi on siirtymässä tutkimuskäytöstä teollisuuden käyttöön lähitulevaisuudessa. Käsiteltävät koneoppimismenetelmät ovat neuroverkot, Bayesialainen optimointi, tukivektorikoneet ja kiderakenteen ennustaminen. Materiaalitutkimuksessa ja -suunnittelussa on tarve pystyä tehokkaammin löytämään alan sovelluksiin optimaalisia materiaaleja. Koneoppimismenetelmien avulla voidaan vastata tähän tarpeeseen käyttämällä menetelmiä materiaalien luokitteluun, tunnistamiseen sekä niiden ominaisuuksien ja käyttäytymisen ennustamiseen. Tutkielman tarkoituksena on luoda yleiskuva käytössä olevista koneoppimisen menetelmistä, niiden sovelluskohteista ja haasteista. Aihetta tarkastellaan materiaalitekniikan näkökulmasta ja koneoppimismenetelmiä käsiteltäessä kiinnitettään huomiota siihen, kuinka menetelmän avulla pystytään löytämään parhaiten sovelluskohteisiin sopivat materiaalit. Tutkielman tarkoituksena on vastata seuraaviin tutkimuskysymyksiin: miten koneoppimista voidaan hyödyntää materiaalien ominaisuuksien ennustamisessa ja optimoinnissa, miten koneoppiminen voi auttaa tunnistamaan materiaalien rakenteellisia ja toiminnallisia ominaisuuksia sekä niiden soveltuvuutta sovelluksiin ja millaisia haasteita ja mahdollisuuksia tiedonkeruussa on materiaalitutkimuksen ja optimoinnin näkökulmasta. Tutkielmassa esitellään kunkin koneoppimismenetelmän kohdalla erilaisia tekniikoita, joista on hyötyä materiaalien ominaisuuksien tarkastelussa ja optimoinnissa. Lisäksi tarkastellaan erilaisia haasteita, jotka hankaloittavat haluttujen tulosten saamista koneoppimistekniikoita käytettäessä. Tutkielman johtopäätöksenä voidaan havaita, että koneoppimiseen pohjautuvat optimointimenetelmät parantavat huomattavasti materiaalisuunnittelun tehokkuutta ja tulosten luotettavuutta, mikä edistää uusien innovaatioiden kehitystä materiaalitekniikassa. Koneoppimismenetelmiä käyttämällä on valtavasti potentiaalia parantaa ja kehittää materiaalien ominaisuuksia sekä löytää uusia materiaaleja. Koneoppimismenetelmiä kehitetään ja luodaan uusia jatkuvasti. Odotettavissa onkin, että uusia menetelmiä käyttämällä materiaalitekniikan innovaatioiden kehitys olisi entistä tehokkaampaa ja monipuolisempaa.