مقاله آموزش خودکار مدل (AMT) GUI: یک فرصت برای ادغام هوش مصنوعی در آزمایش آزمایشگاهی

چکیده

In the field of materials science, comprehending material properties is often hindered by the complexity of datasets originating from various sources. This study introduces the Automated Model Training (AMT) Graphical User Interface (GUI), specifically crafted for the use of researchers and scientists without a programming background to design the next set of experiments either in a chemistry lab or on the computer. The GUI integrates diverse machine learning models, such as XG-Boost, Random Forest, Support Vector Regression, Linear Regression, Generalized Additive Model (GAM), and Stack Regressors, offering a robust toolkit for data analysis. It facilitates the exploration of complex relationships, non-linear patterns, and predictive accuracy optimization. To further enhance its utility, the GUI integrates the Particle Swarm Optimization (PSO) technique, allowing researchers to systematically explore vast parameter spaces and identify optimal experimental conditions. This synergy between machine learning and PSO empowers material scientists through a user-friendly platform for data-driven discovery. The AMT GUI bridges the gap between traditional experimentation and machine learning, enabling precise and efficient exploration of the materials research space.

چکیده به فارسی (ترجمه ماشینی)

در زمینه علوم مواد ، درک خصوصیات مواد اغلب با پیچیدگی مجموعه داده های سرچشمه از منابع مختلف مانع می شود.این مطالعه ، رابط کاربری گرافیکی آموزش مدل خودکار (AMT) (GUI) را معرفی می کند ، که به طور خاص برای استفاده از محققان و دانشمندان بدون پیشینه برنامه نویسی ساخته شده است تا مجموعه بعدی آزمایشات را در آزمایشگاه شیمی یا رایانه طراحی کند.GUI مدلهای متنوع یادگیری ماشین ، مانند XG-Boost ، جنگل تصادفی ، رگرسیون بردار پشتیبانی ، رگرسیون خطی ، مدل افزودنی عمومی (GAM) و رگرسیونرهای پشته را با هم ادغام می کند و یک ابزار قوی برای تجزیه و تحلیل داده ها ارائه می دهد.این اکتشاف روابط پیچیده ، الگوهای غیرخطی و بهینه سازی دقت پیش بینی کننده را تسهیل می کند.برای افزایش بیشتر ابزار خود ، GUI تکنیک بهینه سازی Swarm (PSO) را ادغام می کند ، و به محققان این امکان را می دهد تا به طور سیستماتیک فضاهای پارامتر وسیع را کشف کنند و شرایط آزمایشی بهینه را شناسایی کنند.این هم افزایی بین یادگیری ماشین و PSO دانشمندان مواد را از طریق یک بستر کاربر پسند برای کشف داده محور توانمند می کند.AMT GUI شکاف بین آزمایش سنتی و یادگیری ماشین را ایجاد می کند و اکتشاف دقیق و کارآمد از فضای تحقیق مواد را امکان پذیر می کند.