Искусственный интеллект ускоряет обнаружение металлического стекла
Соедините два или три металла вместе, и вы получите сплав, который выглядит и действует как металл, а его атомы расположены в жесткой кристаллической решетке.
Но время от времени, при определенных условиях, вы можете получить что-то совершенно новое: футуристический сплав, называемый металлическим стеклом, который является аморфным, с атомами, расположенными как в стекле. Его стекловидная природа сделает его более прочным и легким, чем современная сталь, а также поможет лучше выдерживать коррозию и износ.
Несмотря на то, что металлическое стекло демонстрирует множество обещаний в качестве защитного покрытия и альтернативы стали, за последние 50 лет было оценено всего несколько тысяч из миллионов возможных комбинаций ингредиентов, и лишь небольшая часть из них была исследована настолько, что может стать полезной.
В настоящее время группа, возглавляемая учеными из Национальной лаборатории ускорителей SLAC Министерства энергетики США, Национального института стандартов и технологий (NIST) и Северо-западного университета, сообщила о способности обнаруживать и улучшать металлическое стекло и снизить количество времени на поиск компонентов.
Исследовательская группа воспользовалась системой в SLAC в Стэнфордском Синхротронном Радиационном Источнике (SSRL), который объединяет машинное обучение — форму искусственного интеллекта, где компьютерные алгоритмы собирают знания из огромного количества данных — с экспериментами, которые быстро производят и экранируют сотни образцов материалов. Это позволило команде открыть три новые смеси ингредиентов, которые образуют металлическое стекло, и сделать это в 200 раз быстрее, чем это можно было сделать до этого, сообщили сегодня в Science Advances.
«Обычно требуется около десятилетия или двух, чтобы получить материал от его открытия до коммерческого использования», — сказал профессор Крис Вулвертон. «Мы сделали большой шаг в попытке сжать это время. Вы можете начать с не более чем списка свойств, которые вы хотите получить в материале, и, используя ИИ, быстро сузить огромную область потенциальных материалов до нескольких хороших кандидатов».
Конечная цель, по его словам, состоит в том, чтобы добраться до точки, где ученый мог бы сканировать сотни образцов материалов, получать почти немедленную обратную связь от моделей машинного обучения и иметь еще один набор образцов, готовых к тестированию на следующий день или даже в течение часа.
За последние полвека ученые исследовали около 6000 комбинаций ингредиентов, которые образуют металлическое стекло, добавила соавтор работы Апурва Мехта, научный сотрудник SSRL. «Мы смогли исследовать и отобрать 20 000 компонентов за один год».
Команда заявила, что этот метод будет полезен во всех видах экспериментов, особенно при поиске материалов, таких как металлическое стекло и катализаторы, на производительность которых сильно влияет то, как они изготавливаются, и тех, для которых у ученых нет теорий для руководства их поиском. С машинным обучением не требуется никакого предыдущего понимания. Алгоритмы находят связи и делают выводы сами по себе, и это может управлять исследованиями в самых неожиданных направлениях.
«Одним из наиболее интересных аспектов этого является то, что мы можем делать прогнозы так быстро и быстро проводить эксперименты, чтобы мы могли исследовать материалы, которые не соответствуют нашим обычным представлениям о том, будет ли материал образовывать стекло или нет , — сказал соавтор работы Джейсон Хаттрик-Симперс, инженер-технолог NIST. «Искусственный интеллект собирается изменить ландшафт того, как осуществляется материаловедение, и это первый большой шаг».
«С помощью таких автоматизированных систем мы уже сегодня можем анализировать более 2000 образцов в день», — сказал ведущий автор исследования Фан Рен, который разработал алгоритмы для анализа данных «на лету» и скоординировал их интеграцию в систему.
Больше информации: Fang Ren et al, Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments, Science Advances (2018). DOI: 10.1126/sciadv.aaq1566