머티리얼즈 인포매틱스의 뜻
재료 데이터를 기계 학습 등으로 분석해, 성질의 예측이나 다음에 시험할 재료의 선택에 활용하는 방법. 계산이나 실험과 결합해 재료 개발을 가속한다.
일본어 명칭: マテリアルズ・インフォマティクス
‘머티리얼즈 인포매틱스’ 관련 연습 문제는 1개 분야에 1문제가 있습니다(계산 재료과학 등).
이 용어의 분야: 계산 재료과학
머티리얼즈 인포매틱스 연습 문제에 도전
머티리얼즈 인포매틱스에서 기존 재료의 데이터로 기계 학습 모델을 만들어 새로운 재료의 성질을 예측할 때의 주의점으로 옳은 것은 무엇인가?
- A학습에 사용한 데이터에서의 예측 오차가 작을수록 새로운 재료에서의 예측도 반드시 정확해지므로, 학습 데이터에서의 오차를 최소화하는 것만을 목표로 한다
- B학습에 사용하지 않은 데이터에서의 오차(교차 검증 등)로 성능을 평가하고, 학습 데이터의 범위를 크게 벗어난 예측은 신뢰성이 낮다는 점에 주의한다
- C데이터 수가 적어도 기술자(descriptor)의 수를 늘리면 늘릴수록 정보가 늘어나므로, 새로운 재료에서의 예측은 반드시 정확해진다
정답과 해설 보기
정답: B. 학습에 사용하지 않은 데이터에서의 오차(교차 검증 등)로 성능을 평가하고, 학습 데이터의 범위를 크게 벗어난 예측은 신뢰성이 낮다는 점에 주의한다
기계 학습 모델은 조성이나 결정 구조 등을 수치로 나타낸 기술자(descriptor)로부터 목적하는 성질을 예측하는 함수를 학습합니다. 학습에 사용한 데이터에 지나치게 맞추면(과적합) 그 데이터에서의 오차는 작더라도 새로운 데이터에서의 예측은 나빠집니다. 그래서 데이터를 학습용과 검증용으로 나누거나 교차 검증을 하여, 학습에 사용하지 않은 데이터에서의 오차로 성능을 평가합니다. 데이터가 적은데 기술자를 지나치게 늘리면 과적합이 일어나기 쉬워집니다. 또한 모델은 학습한 데이터 범위의 내삽에는 강하지만, 크게 벗어난 외삽에는 약합니다. 따라서 예측값과 그 불확실성을 함께 사용하여 다음에 시험할 후보를 고르는 베이즈 최적화 등으로 데이터를 효율적으로 늘립니다.