نگاهی به افق های پیش رو، چالش ها و دستاوردهای یادگیری ماشین در دانش پلیمر

هوش مصنوعی و یادگیری ماشین ML هرساله با استقبال و توجه فزاینده ای در علوم و مهندسی مواجه هستند. علوم پلیمر نیز از این قاعده مستثنی نیست، اگرچه پیاده سازی الگوریتم های داده محور Data-driven در این زیرشاخه دارای چالش های منحصربه فردی است که مانع از کاربرد گسترده این تکنیک ها در مطالعه سیستم های پلیمری می شود. در این مقاله ما به بحث پیرامون چندین چالش حیاتی در پیاده سازی یادگیری ماشین در علوم پلیمر می پردازیم؛ از جمله: ساختار و بازنمایی Representation پلیمر، تکنیک ها و محدودیت های توان بالا، و در دسترس بودن محدود داده ها. در ادامه، مطالعات نویدبخشی که با هدف حل این مشکلات انجام شده اند مورد بررسی قرار گرفته و پژوهش های معاصری که پتانسیل یادگیری ماشین را در علوم پلیمر علیرغم موانع موجود نشان می دهند، مورد بحث قرار می گیرند. در نهایت، چشم اندازی برای حرکت رو به جلوی یادگیری ماشین در علوم پلیمر ارائه شده.

کلیدواژه ها:

یادگیری ماشین ، پلیمر ، الگوریتم ، هوش مصنوعی