Разработанный при помощи ИИ метод поиска сплавов ускоряет создание металлов для экстремальных температур
Исследователи из Техасского университета A&M разработали новый метод поиска сплавов на основе искусственного интеллекта, который способен ускорить проектирование металлов, способных выдерживать экстремально высокие температуры. Целью эксперимента было не только ускорить открытие высокоэффективных сплавов, но и гарантировать, что в будущем их можно будет производить в промышленных масштабах.
Разработанный алгоритм сначала использует высокопроизводительное термодинамическое моделирование для анализа тысяч возможных составов сплавов, после чего отбирает самые перспективные кандидаты для проведения реальных экспериментов в лаборатории. Как отметил докторант кафедры материаловедения и инжиниринга Техасского университета A&M Джафер Аджеми, удостоенный за это исследование премии Acta Student Award, их кафедра помогает формировать направление поиска новых сплавов: модели подсказывают, что создавать следующим, а высокопроизводительные эксперименты предоставляют данные, необходимые для уточнения этих решений.
Процесс компьютерного скрининга значительно сократил потребность в дорогостоящих экспериментальных проверках, отсеивая заведомо неподходящие варианты на раннем этапе. Соавтор исследования Брент Вела пояснил, что моделирование позволило отказаться от сплавов, которые, вероятно, не сработали бы, ещё до того, как их начали изготавливать. Это помогло избежать затратных проб и ошибок и ускорило путь к созданию пригодных для использования материалов.
Разработанный алгоритм также включает в себя модели машинного обучения, которые работают в связке с физическими расчётами, что повышает точность предсказаний по мере поступления новых экспериментальных данных. Доктор Раймундо Арройав отметил, что машинное обучение само по себе очень мощно, но без опоры на физику оно может уйти от реальности при попытке предсказать нечто новое. Использование первых принципов удерживает модель в рамках реального мира, а данные затем оттачивают её дисциплинированным и эффективным образом.
Вместо того чтобы полагаться на ручное принятие решений, система использует алгоритмическую оптимизацию для определения того, какие составы сплавов следует тестировать следующими. Это позволяет рабочему процессу непрерывно совершенствоваться после каждого эксперимента. По словам Брента Велы, замыкание цикла обратной связи позволяет постоянно подкармливать результаты экспериментов в оптимизационный алгоритм, чтобы система училась на каждом результате — будь то успех или неудача — и затем на основе алгоритма предлагала наилучшие следующие составы для испытаний.
Особое внимание в исследовании уделялось технологичности производства. Вместо оценки материалов исключительно по их лабораторным характеристикам, команда включила ограничения, связанные с обработкой и масштабируемостью, в процесс проектирования с самого начала. Заведующий кафедрой и соавтор исследования доктор Ибрагим Караман подчеркнул, что значимость работы заключается в том, что внедрение рассматривается как часть задачи, а не как вопрос, о котором нужно беспокоиться позже. Это означает, что отобранные сплавы не только обладают высокими характеристиками, но и имеют реалистичный путь к созданию, масштабированию и использованию.
Работа над системой сплавов продолжается и после публикации исследования. Один из отобранных сплавов уже прошёл процесс газовой атомизации и в настоящее время оценивается с помощью технологий аддитивного производства. Доктор Караман добавил, что этот проект демонстрирует, что возможно, когда поиск новых материалов разрабатывается с учётом реалий производства, и его команда применяет тот же подход к более широкому кругу материалов и приложений.
Исследование в журнале Acta Materialia.