Proizvodnja energije na Zemlji putem nuklearne fuzije, vrste reakcije koja pokreće sunce, pokazala se kao veliki izazov. Ekstremni uslovi potrebni za takvu reakciju zahtevaju da zidovi uređaja za nuklearnu fuziju budu napravljeni od materijala sa određenim skupom mehaničkih svojstava, uključujući sposobnost da izdrže neverovatno visoke temperature i da budu otporni na udarce i koroziju. Austenitni čelik, nemagnetni čelik sa kristalnom strukturom, jedan je od materijala koji se razmatra za upotrebu u uređajima za nuklearnu fuziju.
U novom radu u The European Physical Journal D , Ivan Traparić i Milivoje Ivković sa Instituta za fiziku u Beogradu, Srbija, istražuju efikasan način predviđanja sastava austenitnog čelika.
Otkrili su da je laserski indukovana spektroskopija propadanja — tehnika za određivanje količine elemenata u materijalu — korišćena u kombinaciji sa dubokom neuronskom mrežom — tehnikom mašinskog učenja — bila najefikasnija. Ova tehnika bi se mogla koristiti za određivanje elementarnog sastava uzorka čelika od strane onih koji nemaju pristup sertifikovanim uzorcima čelika.
Istraživači su koristili tehnike mašinskog učenja u kombinaciji sa laserskom indukovanom spektroskopijom raspada da bi ubrzali proces identifikacije elemenata koji čine uzorke austenitnog čelika. Koristili su kriterijum pod nazivom Gini test nečistoće da bi odabrali najvažnije podatke iz svog skupa podataka, omogućavajući im da minimiziraju njegovu složenost. Zatim su koristili ovaj pojednostavljeni skup podataka da obuče svoje modele mašinskog učenja da identifikuju sastav svojih uzoraka čelika.
Autori zaključuju da je, kada se koristi u kombinaciji sa laserom izazvanom spektroskopijom propadanja, neuronska mreža bila bolja u predviđanju sastava austenitnog čelika nego slučajna šuma, tehnika mašinskog učenja koja koristi kolekciju stabala odlučivanja.
