Будущее дизайна материалов уже здесь. Уникальная система искусственного интеллекта может помочь ученым создавать идеальные сплавы быстрее, чем когда-либо.
Суперсплавы, созданные учеными с помощью объяснимого ИИ.
природа
Можете ли вы угадать рецепт торта, просто взглянув на полку в пекарне, заполненную сотнями готовых десертов? Именно с такой задачей на протяжении десятилетий сталкиваются специалисты по материалам, пытаясь угадать элементы, которые хорошо сочетаются и дают полезные материалы.
При наличии более 100 элементов в периодической таблице существует бесконечное количество способов, которыми эти элементы могут потенциально комбинироваться. Ученые не могут проверить каждую такую комбинацию, и поэтому очень сложно создавать материалы и сплавы с желаемыми свойствами.
Новое исследование раскрывает технологию на основе ИИ, которая может решить эту проблему. ИИ может быстро проверять бесчисленные возможности, предсказывать наиболее перспективные комбинации элементов и даже предлагать идеальные пропорции каждого элемента для создания сплавов с превосходными свойствами.
Используя этот подход, авторы исследования создали сплавы с несколькими главными элементами (MPEA) с исключительными механическими свойствами. «Эта работа демонстрирует, как управляемые данными структуры и объяснимый ИИ могут открывать новые возможности в проектировании материалов», — сказал Санкет Дешмук, один из авторов исследования и профессор Virginia Tech.
Создание превосходных MPEA с помощью ИИ
Авторы исследования сосредоточились на MPEA, специальных сплавах, состоящих из более чем трех элементов (примерно в равных пропорциях), которые демонстрируют замечательные механические свойства. Эти материалы намного прочнее, жестче и более устойчивы к нагреву и износу, чем обычные сплавы.
Они уже используются в деталях самолетов, хирургических имплантатах и чистых энергетических системах. Однако традиционный метод создания MPEA включал тестирование многочисленных комбинаций элементов. Этот процесс является дорогостоящим и трудоемким.
Чтобы преодолеть эту проблему, Дешмук и его команда разработали умную систему, основанную на данных, которая объединяет мощь машинного обучения и алгоритмов. Они начали со сбора большого набора данных существующих MPEA.
По сути, в систему передавалась информация о том, какие металлы использовались, как эти металлы были организованы на атомном уровне и как каждый сплав проявлял себя с точки зрения прочности, гибкости и других механических свойств.
С использованием этой информации были обучены две модели машинного обучения. Первая — модель Stacked Ensemble Machine Learning (SEML), которая использовала состав (элементы и их количества) для прогнозирования того, насколько прочным или гибким будет сплав.
Вторая модель представляла собой сверточную нейронную сеть (CNN) — тип искусственного интеллекта, обычно используемый для анализа изображений, но здесь он использовался для изучения того, как атомы различных элементов располагаются рядом друг с другом внутри сплава, поскольку эта структура оказывает большое влияние на поведение металла.
Как только эти модели смогли точно предсказать свойства, команда использовала алгоритмы для улучшения результатов. Эти алгоритмы сгенерировали множество возможных комбинаций металлов, сохранили лучшие и смешали их для создания еще лучших версий. Со временем система смогла увеличить масштаб наиболее перспективных конструкций сплавов.
«Наш рабочий процесс проектирования, сочетающий в себе передовые алгоритмы машинного обучения и эволюционные алгоритмы, обеспечивает интерпретируемое понимание взаимосвязей структуры и свойств материалов, предлагая надежный подход к открытию разнообразных современных материалов», — сказал Фанси Ван, первый автор и научный сотрудник Virginia Tech.
Обычный ИИ против объяснимого ИИ
Когда дело доходит до проектирования материалов, важно, как проектируется материал, но также важно понимать науку, которая привела к созданию конкретного материала. Вот где система ИИ, разработанная исследователями, действительно блистает.
Авторы исследования не просто хотели предсказать идеальное сочетание сплавов, но и хотели понять, почему ИИ делает эти прогнозы. Поэтому они использовали технику под названием SHAP (SHapley Additive exPlanations). Этот инструмент помог им увидеть, насколько каждый элемент вносит вклад в прогнозируемую производительность сплава.
SHAP в сочетании с SEML и CNN привели к созданию объяснимой системы ИИ. «Одним из основных различий между стандартным ИИ и объяснимым ИИ является то, что традиционные модели ИИ часто ведут себя как «черные ящики» — они генерируют прогнозы, но мы не всегда понимаем, как или почему эти прогнозы делаются. Объяснимый ИИ устраняет это ограничение, предоставляя представление о процессе принятия решений моделью», — отмечает команда Virginia Tech.
Авторы исследования фактически создали и протестировали MPEA, предсказанный объяснимой системой ИИ. Результаты подтвердили предсказания ИИ: новые сплавы имели превосходные механические свойства, показывая, что этот метод может привести к более быстрому и умному проектированию материалов.
Более того, он не ограничивается только определением комбинаций металлов, но и может быть использован для разработки современных материалов с использованием неметаллов.
Самое лучшее — в отличие от традиционного метода проб и ошибок, который может занять годы тестирования, эта система на основе ИИ может быстро нацеливаться на правильные комбинации. Это означает, что теперь ученые могут открывать и разрабатывать новые высокопроизводительные материалы гораздо быстрее, чем когда-либо прежде.
Исследование опубликовано в журнале npj Computational Materials.
Sourse: interestingengineering.com
