Pregunta: “¿Por qué usar MC para nanotecnología?
Considere un ejemplo, un nanomaterial diseñado como catalizador. Por lo tanto, el rendimiento de cualquier material candidato en particular se proporciona como un conjunto de datos cinéticos basados en experimentos. Suponga que sabe por la literatura que el rendimiento está mediado por el apilamiento de losas de cristal, por lo que el tamaño, la configuración y el número de losas por volumen es el parámetro crítico para la optimización.
Pregunta: ¿Cómo puede ayudar el aprendizaje automático en esta tarea?
- ¿Cuáles son los cursos necesarios para aprender la recuperación de información y el aprendizaje automático?
- ¿Cómo entrenar codificadores automáticos dispersos en imágenes?
- ¿Cómo puedo comenzar el análisis de datos en un gran conjunto de datos?
- ¿Cuáles son las ventajas y desventajas de utilizar PMML como formato de intercambio para modelos de análisis predictivo?
- ¿Cuáles son algunos buenos libros / recursos para que un principiante obtenga una buena introducción al aprendizaje automático?
En primer lugar, MC nunca le dará una respuesta directa a una pregunta de ingeniería, y esta no es la forma correcta de usarla para este tipo de problemas, ya que nos importa el mecanismo, no la respuesta. Entonces, desde una perspectiva, MC no puede ayudar directamente a proporcionar respuestas en nanotecnología.
Sin embargo, hay otros ángulos donde MC puede ser útil como herramienta adjunta;
- MC podría usarse en el aspecto de visualización para identificar el número, la ubicación y la configuración de las losas a partir de fotos
- MC podría usarse para desarrollar un modelo de configuración proxy, que basado en ciertos parámetros de configuración debería ser capaz de adivinar la cinética esperada
- MC podría usarse en un contexto de supervisión, examinando los cambios de receta, en comparación con las configuraciones de losa, y estableciendo un modelo proxy de comportamiento de receta
Entonces, en esencia, MC nunca puede resolver problemas de ingeniería por ti, ni quieres que lo haga. Pero puede formar una herramienta útil, donde puede usar sus capacidades de coincidencia de patrones en varios niveles de abstracción para ayudar a obtener una mejor respuesta.
En este contexto, no proporciona una respuesta, sino que se usa para representar ciertos problemas abstractos, que luego se comparan con otros datos para determinar el siguiente paso en la experimentación.