Exabyte.io Tutorial: Predict New Properties with Machine Learning

기계 학습 자습서를 사용하여 새 속성을 예측합니다 Jobs Designer 인터페이스에서 4 개의 실리콘 원자와 12 개의 게르마늄 원자로 구성된 재료를 선택하여 가져 오십시오

그런 다음 워크 플로우 탭으로 이동하여 실리콘과 게르마늄으로 구성된 전자 재료의 전자 갭을 예측하기 위해 이전에 훈련 된 머신 러닝 모델 워크 플로우를 선택하십시오 이제 '입력'계산 단위를 검사하겠습니다 훈련 된 모델에 의해 예측되는 특성은이 장치에서 틱된 대상 특성,이 경우 밴드 갭입니다 그런 다음 작업 이름을 설정하십시오 여기서는 Si4Ge12 Band Gap ML Predict라고합니다

다음으로 작업을 저장하십시오 그런 다음 실행을 위해 선택하여 계산 대기열에 제출할 수 있습니다 작업이 완료되면 열어 최종 결과를 검사하십시오 실리콘과 게르마늄의 조성에 대한 직간접적인 밴드 갭의 예측 된 값은 결과 페이지에서 찾을 수 있으며 실험 값과 잘 일치합니다 이것으로 본 튜토리얼을 마칩니다

Exabyte.io Tutorial: Train Machine Learning Model

기계 학습 모델 학습서 교육 작업 디자이너 페이지로 이동하여 시뮬레이션을 작성하십시오

그런 다음 훈련 세트를 구성하는 실리콘과 게르마늄으로 구성된 재료 세트를 선택하여 가져옵니다 그런 다음 Workflow (워크 플로) 탭으로 이동하여 Exabyte Machine Learning을 사용하여 실리콘과 게르마늄으로 구성된 재료의 전자 밴드 갭을 예측하기 위해 기계 학습 모델을 훈련하는 데 사용되는 'ML Train Model'워크 플로를 선택합니다 엔진 이제 '입력'계산 단위를 검사하겠습니다 훈련 된 모델에 의해 예측 될 속성은이 장치에서 틱된 대상 속성,이 경우 밴드 갭입니다

그런 다음 작업 이름을 설정하십시오 여기서는 SiGe Band Gap ML Train이라고합니다 다음으로 작업을 저장하십시오 그런 다음 실행을 위해 선택하여 계산 대기열에 제출할 수 있습니다 작업이 완료되면 작업을 열고 훈련 된 결과 모델 워크 플로우를 검사하십시오

이 훈련 된 워크 플로우의 '점수'단위를 열겠습니다 여기서 모델 계수와 중요도는 모델 정밀도의 표시와 함께 저장됩니다 이제 웹 인터페이스의 왼쪽 사이드 바를 통해 워크 플로우 콜렉션으로 돌아갑니다 따라서 훈련 된 모델을 포함하는 생성 된 워크 플로는 컬렉션 항목 중에서 검색 할 수 있습니다 이것으로 본 튜토리얼을 마칩니다