Tsukuba, Jepang (ANTARA/ACN Newswire) – Menemukan dan mengkarakterisasi material baru itu penting buat kemajuan di bidang seperti energi bersih, manufaktur canggih, dan infrastruktur yang lebih baik. Peneliti menggunakan pembelajaran mesin dan alat komputasi lain untuk membantu mereka, tapi metode trial-and-error dalam proses ini punya tantangan tersendiri. Riset ini menghasilkan banyak data percobaan dan komputasi, sehingga ilmuwan butuh alat yang bisa melacak dan menyimpan bukan hanya hasilnya, tapi juga alur pemikiran di belakangnya.
Sistem baru bernama pinax, yang dipublikasi di jurnal Science and Technology of Advanced Materials: Methods, menyediakan fitur ini dengan tepat. Dikembangin sama insinyur di Institut Nasional untuk Ilmu Material (NIMS) Jepang, pinax mencatat seluruh proses pengembangan material baru, termasuk alur kerja mesin belajar dan proses pengambilan keputusan. "Dengan memformalkan proses trial-and-error yang berhasil maupun tidak, pinax meningkatkan reproduktifitas, akuntabilitas, dan bagi pengetahuan, serta menjaga ketat pengelolahan data," kata Satoshi Minamoto dari NIMS, penulis utama studi ini.
Sistem pinax baru terdiri dari tiga lapisan: infrastruktur inti mesin belajar (bawah), pencatatan dan pelacakan asal-usul yang memvisualisasikan alasan di balik hasil akhir (tengah), dan lapisan fitur canggih untuk pengembangan material (atas). Kredit: STAM-M
Model mesin belajar makin berperan penting dalam penemuan dan karakterisasi material. Walaupun alat ini kuat, proses penalaran yang mereka pakai umumnya nggak jelas. Peneliti nggak tahu pertimbangan dan proses trial-and-error apa aja yang dipake untuk prediksi akhir. "Sistem yang diperkenalkan dalam studi ini memvisualisasikan proses-proses yang nggak kelihatan ini. Ini memabntu orang lain untuk meninjau, memverifikasi, dan mbangun jalur menuju kesimpulan itu," kata Minamoto.
Minamoto menekankan pentingnya akses ini dalam penerapan di mana keamanan, reproduktifitas, dan akuntabilitas itu penting. Ia bilang karya ini "menunjukan bagaimana sistem AI yang transparent bisa mengubah penemuan ilmiah jadi usaha yang lebih andal, efisien, dan bertanggungjawab secara sosial."
Tim itu ngetes pinax dengan dua studi kasus: satu tentang memprediksi sifat baja dan yang lain make transfer learning untuk memprediksi konduktivitas termal polimer. Sistem ini bikin mungkin buat ngubungin prediksi kinerja model ke data spesifik atau aspek model yang memengaruhinya, serta buat mereproduksi alur kerja multi-tahap yang rumit. "Kususnya, contoh transfer-learning menyoroti kemampuan pinax untuk melacak bagaimana informasi mengalir antara dataset dengan model yang saling terkait, membuat setiap langkah dalam proses penalaan benar-benar bisa dilacak," ujar Minamoto.
Para insinyur berencana memperluas pinax menuju sistem penemuan material secara otonom dengan lingkar umpan balik tertutup. Dengan megintregasikan kemampuanpelacakan pinax ke sistem percobaan dan simulasi otomatis, mereka pengen membuat lingkar umpan balik yang bisa memanfaatkan pengadaan data, model mesin belajar, dan sistem decision-making untuk menjalankan siklus riset secara sistematis dan independen.
Info lebih lanjut
Satoshi Minamoto
National Institute for Materials Science
[email protected]
Paper: https://doi.org/10.1080/27660400.2026.2629051
Tentang Science and Technology of Advanced Materials: Methods (STAM-M)
STAM Methods adalah jurnal akses terbuka saudara dari Science and Technology of Advanced Materials (STAM), yang fokus pada metode dan alat baru buat ningkatin dan/atau mempercepat pengembangan material, seperti metodah, alat, instrumentasi, pemdelan, rintisan pengumpulan data volume-t tinggi, informatika material/proses, database, dan pemograman. https://www.tandfonline.com/STAM-M
Dr Kazuya Saito
STAM Methods Publishing Director
[email protected]
Siaran pers dikirim sama Asia Research News untuk Science and Technology of Advanced Materials.