Kunstig intelligens fremskynder opdagelsen af ​​metallisk glas

Bland to eller tre metaller sammen, og du får en legering, der normalt ser ud og fungerer som et metal, med sine atomer arrangeret i stive geometriske mønstre.

Men en gang imellem under de helt rigtige betingelser, du får noget helt nyt:en futuristisk legering kaldet metallisk glas, der er amorf, med sine atomer arrangeret på alle måder, meget gerne glassets atomer i et vindue. Dens glasagtige natur gør det stærkere og lettere end nutidens bedste stål, plus den står bedre til korrosion og slid.

Selvom metallisk glas viser en masse løfter som en beskyttende belægning og alternativ til stål, kun et par tusinde af de millioner af mulige kombinationer af ingredienser er blevet evalueret i løbet af de sidste 50 år, og kun en håndfuld udviklede sig til det punkt, at de kan blive nyttige.

Nu er en gruppe ledet af forskere ved Department of Energy's SLAC National Accelerator Laboratory, National Institute of Standards and Technology (NIST) og Northwestern University har rapporteret en genvej til at opdage og forbedre metallisk glas - og, i forlængelse, andre undvigende materialer - til en brøkdel af tiden og prisen.

Forskningsgruppen udnyttede et system ved SLACs Stanford Synchrotron Radiation Lightsource (SSRL), der kombinerer maskinlæring - en form for kunstig intelligens, hvor computeralgoritmer indsamler viden fra enorme mængder data - med eksperimenter, der hurtigt laver og screener hundredvis af prøvematerialer på en tid. Dette gjorde det muligt for teamet at opdage tre nye blandinger af ingredienser, der danner metallisk glas, og for at gøre dette 200 gange hurtigere, end det kunne gøres før, de rapporterede i dag i Videnskab fremskridt .

"Det tager typisk et årti eller to at få et materiale fra opdagelse til kommerciel brug, "sagde den nordvestlige professor Chris Wolverton, en tidlig pioner inden for brug af beregning og AI til at forudsige nye materialer og en medforfatter af papiret. "Dette er et stort skridt i forsøget på at presse den tid ned. Du kan starte med kun en liste over egenskaber, du ønsker i et materiale, og ved hjælp af AI, hurtigt indsnævre det enorme felt af potentielle materialer til et par gode kandidater. "

Det endelige mål, han sagde, er at komme til det punkt, hvor en videnskabsmand kunne scanne hundredvis af prøvematerialer, få næsten øjeblikkelig feedback fra maskinlæringsmodeller og have et andet sæt prøver klar til at teste den næste dag - eller endda inden for en time.

I løbet af det sidste halve århundrede, forskere har undersøgt omkring 6, 000 kombinationer af ingredienser, der danner metallisk glas, tilføjet papir medforfatter Apurva Mehta, en personaleforsker ved SSRL:"Vi var i stand til at lave og screene 20, 000 på et enkelt år. "

Lige startet

Mens andre grupper har brugt machine learning til at komme med forudsigelser om, hvor forskellige slags metalglas kan findes, Mehta sagde, "Det unikke, vi har gjort, er hurtigt at verificere vores forudsigelser med eksperimentelle målinger og derefter gentagne gange cyklusere resultaterne tilbage til den næste runde af maskinlæring og eksperimenter."

Der er masser af plads til at gøre processen endnu hurtigere, han tilføjede, og til sidst automatisere det for helt at tage folk ud af løkken, så forskere kan koncentrere sig om andre aspekter af deres arbejde, der kræver menneskelig intuition og kreativitet. "Dette vil ikke kun have indflydelse på synkrotronbrugere, men i det hele materialevidenskabelige og kemiske samfund, "Sagde Mehta.

Teamet sagde, at metoden vil være nyttig i alle former for eksperimenter, især ved søgninger efter materialer som metalglas og katalysatorer, hvis ydeevne er stærkt påvirket af den måde, de fremstilles på, og dem, hvor forskere ikke har teorier til at lede deres søgning. Med maskinlæring, ingen forudgående forståelse er nødvendig. Algoritmerne laver forbindelser og drager konklusioner på egen hånd, og dette kan styre forskningen i uventede retninger.

"Et af de mere spændende aspekter ved dette er, at vi kan forudsige så hurtigt og vende eksperimenter så hurtigt, at vi har råd til at undersøge materialer, der ikke følger vores normale tommelfingerregler om, hvorvidt et materiale vil danne et glas eller ej , "sagde papirforfatter Jason Hattrick-Simpers, en materialeforskningsingeniør hos NIST. "AI kommer til at ændre landskabet for, hvordan materialevidenskaben udføres, og dette er det første trin. "

Styrke i tal

Papiret er det første videnskabelige resultat forbundet med et DOE-finansieret pilotprojekt, hvor SLAC arbejder med et Silicon Valley AI-selskab, Citrine Informatics, at transformere måden, hvorpå nye materialer opdages, og gøre værktøjerne til at gøre det tilgængelige for forskere overalt.

Grundlagt af tidligere kandidatstuderende fra Stanford og nordvestlige universiteter, Citrine har skabt en materialevidenskabelig dataplatform, hvor data, der var blevet låst inde i publicerede papirer, regneark og lab notebooks gemmes i et konsistent format, så det kan analyseres med AI specielt designet til materialer.

"Vi ønsker at tage materialer og kemiske data og bruge dem effektivt til at designe nye materialer og optimere produktionen, "sagde Greg Mulholland, grundlægger og administrerende direktør for virksomheden. "Dette er den kunstige intelligens:Når forskere genererer flere data, den lærer ved siden af ​​dem, bringe skjulte tendenser til overfladen og tillade forskere at identificere højtydende materialer meget hurtigere og mere effektivt end at stole på traditionelle, rent menneskedrevet materialeudvikling. "

Indtil for nylig, tænker op, at lave og vurdere nye materialer var smertefuldt langsomt. For eksempel, forfatterne til metallisk glaspapir beregnede, at selvom du kunne lave mad og undersøge fem potentielle typer af metalglas om dagen, hver dag året rundt, det ville tage mere end tusind år at pløje igennem enhver mulig kombination af metaller. Når de opdager et metalglas, forskere kæmper for at overvinde problemer, der holder disse materialer tilbage. Nogle har giftige eller dyre ingredienser, og alle deler glassets skøre, splintret natur.

I løbet af det sidste årti, forskere ved SSRL og andre steder har udviklet måder at automatisere eksperimenter på, så de kan oprette og studere mere nye materialer på kortere tid. I dag, nogle SSRL -brugere kan få en foreløbig analyse af deres data næsten, så snart de kommer ud med AI -software udviklet af SSRL i forbindelse med Citrine og CAMERA -projektet på DOE's Lawrence Berkeley National Laboratory.

"Med disse automatiserede systemer kan vi analysere mere end 2, 000 prøver om dagen, "sagde Fang Ren, papirets hovedforfatter, der udviklede algoritmer til at analysere data i farten og koordinerede deres integration i systemet, mens han var postdoktor ved SLAC.

Eksperimenter med data

I undersøgelsen af ​​metallisk glas, forskergruppen undersøgte tusindvis af legeringer, der hver indeholder tre billige, ikke -giftige metaller.

De startede med en skare af materialedata, der går mere end 50 år tilbage, herunder resultaterne af 6, 000 forsøg, der søgte efter metalglas. Teamet gennemgik dataene med avancerede maskinlæringsalgoritmer udviklet af Wolverton og kandidatstuderende Logan Ward på Northwestern.

Baseret på hvad algoritmerne lærte i denne første runde, forskerne lavede to sæt prøvelegeringer ved hjælp af to forskellige metoder, giver dem mulighed for at teste, hvordan fremstillingsmetoder påvirker, om en legering går i et glas.

Begge sæt legeringer blev scannet af en SSRL røntgenstråle, dataene indført i Citrine -databasen, og nye maskinlæringsresultater genereret, som blev brugt til at forberede nye prøver, der gennemgik endnu en omgang scanning og maskinlæring.

Ved forsøgets tredje og sidste runde, Mehta sagde, gruppens succesrate for at finde metallisk glas var steget fra en ud af 300 eller 400 testede prøver til en ud af to eller tre testede prøver. De metalliske glasprøver, de identificerede, repræsenterede tre forskellige kombinationer af ingredienser, hvoraf to aldrig havde været brugt til at fremstille metallisk glas før.