Варка предназначена не только для разогрева обеда. Это также для охлаждения. Превращение жидкости в газ убирает энергию с горячих поверхностей и предохраняет все, от атомных электростанций до мощных компьютерных микросхем, от перегрева. Но когда поверхности становятся слишком горячими, они могут испытать так называемый кризис кипения.
Исследователи кипятили воду на поверхности оксида индия и олова, отдельно или с одним из трех покрытий: нанолистья оксида меди, нанопроволоки оксида цинка или слои наночастиц диоксида кремния. Они обучили нейронную сеть на 85 процентах данных с первых трех поверхностей, затем протестировали ее на 15 процентах данных этих условий плюс данные с четвертой поверхности, чтобы увидеть, насколько хорошо она может быть обобщена для новых условий. Согласно одной метрике, он был точным на 96 процентов, даже несмотря на то, что он не был обучен на всех поверхностях. «Наша модель заключалась не только в запоминании функций», — говорит учёный. «Это типичная проблема в машинном обучении. Мы способны экстраполировать прогнозы на другую поверхность».
Команда также обнаружила, что все 17 факторов значительно повлияли на точность прогнозов. Кроме того, вместо того, чтобы рассматривать модель как черный ящик, в котором неизвестным образом использовалось 17 факторов, они определили три промежуточных фактора, объясняющих это явление: плотность центров зародышеобразования, размер пузырьков и продукт времени роста и частоты вылета пузырьков. Учёный говорит, что модели в литературе часто используют только один фактор, но эта работа показывает, что мы должны учитывать многие из них и их взаимодействия. «Это большое дело».
«Это здорово», — говорит Риши Радж, доцент Индийского технологического института в Патне, который не принимал участия в работе. «У кипения такая сложная физика». Он включает как минимум две фазы материи и множество факторов, способствующих хаотической системе. «Было почти невозможно, несмотря на как минимум 50 лет обширных исследований по этой теме, разработать прогнозную модель», — говорит Радж. «Новые инструменты машинного обучения имеют для нас большой смысл».
Источний — 1nsk.ru.