Herramientas de simulación de procesos y modelos estadísticos
Optimización y automatización de procesos
- Video:Webinar: Software para control de movimiento MCT10
- Fuente:Youtube
Automated crystal structure analysis based on blackbox optimisation
Análisis automatizado de estructuras cristalinas basado en optimización blackbox
El método de Rietveld es uno de los métodos de análisis de estructura cristalina más utilizados para datos de difracción de polvo, como la difracción de rayos X (XRD) y la difracción de neutrones. Sin embargo, el refinamiento del análisis de la estructura cristalina se basa en métodos manuales de ensayo y error, lo que representa un mayor consumo de tiempo. Este estudio propone la automatización del método Rietveld, considerando todo el proceso de ensayo y error como un problema de optimización de caja negra. La automatización se logra con éxito mediante la optimización bayesiana; que supera tanto a un experto humano como a una automatización del tipo de sistema experto a pesar de la falta de experiencia.
Este trabajo fue desarrollado por Yoshihiko Ozaki (National Institute of Advanced Industrial Science and Technology (AIST), Tokyo, Japan; GREE, Inc., Tokyo, Japan), Yuta Suzuki (SOKENDAI (The Graduate University for Advanced Studies), Ibaraki, Japan), Takafumi Hawai, Kotaro Saito (High Energy Accelerator Research Organization (KEK), Ibaraki, Japan), Masaki Onishi (National Institute of Advanced Industrial Science and Technology (AIST), Tokyo, Japan) y Kanta Ono (High Energy Accelerator Research Organization (KEK), Ibaraki, Japan; SOKENDAI (The Graduate University for Advanced Studies), Ibaraki, Japan; Paul Scherrer Institute, Villigen, Switzerland) para npj Computational Materials (Vol. 6, núm. 75, 2020), una revista enfocada en estudios sobre desarrollo y aplicación de técnicas informáticas en la ciencia de los materiales. Esta es una publicación de Nature Research. Correo de contacto: [email protected]
3D-Printing and Machine Learning Control of Soft Ionic Polymer-Metal Composite Actuators
Control de impresión 3D y aprendizaje automático de actuadores compuestos de polímero-metal iónico blando
El enfoque de este trabajo se basa en la impresión 3D de compuestos iónicos blandos de polímero-metal (IPMC), el aprendizaje automático para el control de los IPMC impresos en 3D y los actuadores relacionados. Se discuten en detalle el proceso de impresión 3D, el diseño y modelado de los componentes del actuador y la optimización bayesiana como método de control basado en el aprendizaje. Además, este artículo compara la efectividad de un método de gradiente de políticas de diferencias finitas y la optimización bayesiana como métodos de control para IPMC. Los resultados de la comparación destacan la ventaja de la optimización bayesiana para codificar el conocimiento previo en forma de valores alcanzables conocidos y resultados de simulación de un modelo de dinámica lineal.
Este trabajo fue desarrollado por James D. Carrico (University of Mary, Bismarck, USA), Tucker Hermans (University of Utah, UT, USA), Kwang J. Kim (University of Nevada, Las Vegas, USA) y Kam K. Leang (University of Utah, UT, USA) para Scientific Reports (Vol. 9, núm. 17482, 2019 ), una revista de acceso abierto que abarca todas las áreas de las ciencias naturales y de la medicina. Esta es una publicación de Nature Research. Correo de contacto: [email protected]
