ИИ для поиска новых сплавов
Согласно новому исследованию, машинное обучение может помочь в разработке новых типов металлов с полезными свойствами, такими как устойчивость к экстремальным температурам и ржавчине. Это может быть полезно в ряде областей — например, металлы, которые хорошо работают при более низких температурах, могут улучшить космические корабли, а металлы, устойчивые к коррозии, могут использоваться для подводных лодок.
В настоящее время ученые обычно проводят эксперименты в лаборатории, чтобы найти способы сплавов металлов для создания новых. Обычно они начинают с одного хорошо известного элемента, такого как железо, которое дешево и пластично, и добавляют один или два других, чтобы увидеть влияние на исходный материал. Это трудоемкий процесс проб и ошибок, который порождает большее количество ошибок, чем полезных результатов.
Но новая статья, опубликованная в журнале Science в этом месяце, описывает, как с помощью ИИ исследователи могут гораздо точнее предсказывать, какие комбинации металлов будут перспективными.
С помощью этого метода исследователям из Института Макса Планка удалось идентифицировать 17 новых перспективных сплавов. Команда искала металлы с низким уровнем «инвара», который указывает на то, насколько материалы расширяются или сжимаются при воздействии высоких или низких температур.
Металлы с низким содержанием инвара не меняют размеров при экстремальных температурах. Они обычно используются в отраслях, где это свойство полезно, например, при транспортировке и хранении природного газа, объясняет Зиюан Рао, исследователь материалов в Институте Макса Планка и соавтор статьи.
Команде удалось найти эти новые металлы с помощью комбинации ИИ и лабораторных экспериментов. Во-первых, им пришлось преодолеть серьезную проблему: недостаток существующих данных, которые они могли бы использовать для обучения моделей машинного обучения. Они обучали модели на имеющихся у них данных — нескольких сотнях записей, описывающих свойства существующих металлических сплавов. Система искусственного интеллекта использовала эти данные, чтобы делать прогнозы для новых металлов с низким содержанием инвара.
Затем исследователи создали эти металлы в лаборатории, измерили результаты и передали их обратно в модель машинного обучения. Процесс продолжался в том же духе — модель предлагала комбинации металлов, исследователи проверяли их и возвращали данные — до тех пор, пока не появились 17 многообещающих новых металлов.
Перспективы
Полученные результаты могут помочь проложить путь к более широкому использованию машинного обучения в материаловедении, области, которая все еще в значительной степени зависит от лабораторных экспериментов. Кроме того, техника использования машинного обучения для создания прогнозов, которые затем проверяются в лаборатории, может быть адаптирована для открытий в других областях, таких как химия и физика, говорят эксперты в области материаловедения.
Чтобы понять, почему это важное событие, стоит взглянуть на традиционный способ создания новых соединений, говорит Майкл Титус, доцент кафедры материаловедения в Университете Пердью, не участвовавший в исследовании. Процесс работы в лаборатории кропотлив и неэффективен.
«Поиск нового материала, обладающие особым свойством похож на поиск иголки в стоге сена», — говорит Титус. Он часто говорит своим новым аспирантам, что существует миллион возможных новых материалов, которые ждут своего открытия. Машинное обучение может помочь исследователям решить, какие пути выбрать.
В будущем команда хочет использовать машинное обучение, чтобы открывать новые сплавы с более чем одним полезным свойством. Джордж согласен с тем, что вычислительные методы будут иметь решающее значение для будущего материаловедения.
«Подход машинного обучения, вероятно, будет доминирующим, потому что люди пытались экспериментально сканировать очень большие комбинации материалов, но это требует очень много времени и денег», — говорит он. «Вопрос в том, найдешь ли ты что-нибудь полезное?»
