Kunstig intelligens møder materialevidenskab

Et Texas A&M ingeniørforskerhold udnytter kraften i maskinlæring, datavidenskab og eksperternes domænekendskab til autonomt at opdage nye materialer.

Teamet udviklede og demonstrerede en autonom og effektiv ramme, der var i stand til optimalt at udforske et materialedesignrum (materialedesignrummet er en abstraktion af den konkrete verden. Det er rummet for alle de mulige materialer, der undersøges, kendetegnet ved grundlæggende materielle træk).

Et autonomt system - eller kunstig intelligens (AI) agent - defineres som ethvert system, der er i stand til at opbygge en intern repræsentation, eller model, af interesseproblemet, og som derefter bruger modellen til at træffe beslutninger og tage handlinger uafhængigt af menneskelig involvering.

Forfatterne til dette tværfaglige arbejde er Dr. Anjana Talapatra og Dr. Raymundo Arroyave fra Institut for Materialevidenskab og Engineering, og Shahin Boluki, Dr. Xiaoning Qian og Dr. Edward Dougherty fra afdelingen for elektrisk og computerteknik.

Deres autonome rammer er i stand til adaptivt at udvælge de bedste maskinlæringsmodeller for at finde det optimale materiale, der passer til ethvert givet kriterier. Deres forskning, finansieret af National Science Foundation og Air Force Office of Scientific Research, vil reducere tiden og omkostningerne brugt på at gå fra laboratorium til marked ved at sikre den størst mulige effektivitet i søgningen efter det rigtige materiale.

Den underliggende matematiske teori har mange anvendelser, herunder påvirkning af biomedicinsk område. For eksempel, med deres Bayesianske lærings- og eksperimentdesignramme, en sygdom kan modelleres til at afdække kritiske risikofaktorer for at udvikle effektive terapier til specifikke patienter og reducere omkostningerne ved humane kliniske forsøg.

"Avancerede materialer er afgørende for økonomisk sikkerhed og menneskelig velfærd, med applikationer i brancher, der tager sigte på at løse udfordringer inden for ren energi, national sikkerhed og menneskelig velfærd, alligevel kan det tage 20 eller flere år at flytte et materiale efter den første opdagelse til markedet.—Materials Genome Initiative

Teamet ønskede at teste rammerne udtømmende, så de gennemførte demonstrationen i en beregnet platform med lukket kredsløb, ved hjælp af kvantemekanik til at forudsige egenskaber ved MAX-faser, som er lovende materialer til højtemperaturapplikationer, inklusive nye oxidationsbestandige belægninger til jetmotors turbineblade. Texas A&M-gruppen anvender også rammen til opdagelsen af ​​højtemperatur-formhukommelseslegeringer, der kan bruges til at bygge rumfartsfartøjer med morphing-vinger, for eksempel.

Autonom innovation

Betydelig forskning i effektive eksperimentdesignteknikker er blevet udført før. Imidlertid, dette hold er det første til at bruge en Bayesiansk baseret teknik (hvilket betyder, at de gør status over alt, hvad der er kendt om en materiale-/materialeklasse og udnytter denne viden til at finde det bedste materiale) og anvender det på en selvstændig måde, søger kontinuerligt ikke kun efter den næstbedste beregning/eksperiment at køre, men også efter den bedste model til at repræsentere de opnåede data.

"Den hurtigere udforskning af materialerummet til at identificere konfigurationer med optimale egenskaber er en løbende udfordring, sagde Talapatra, der arbejder som computerforsker i Arroyaves Computational Materials-laboratorium. "Nuværende paradigmer er centreret omkring ideen om at udføre denne udforskning gennem high-throughput eksperimentering og/eller beregning. Disse tilgange tager ikke højde for begrænsningerne i de tilgængelige ressourcer. Vi har løst dette problem ved at indramme materialeopdagelse som et optimalt eksperimentdesign."

Metoderne præsenteret i denne forskning er fleksible og kan tilpasses forskellige forskningssituationer. Væsentligt, Talapatras og Bolukis algoritme kan arbejde med meget få indledende data, hvilket gør den ideel til forskning i nye materialer.

Algoritmen repræsenterer et smartere skridt fremad sammenlignet med tidligere arbejde på området. Andre algoritmer tvinger en til at starte med en foruddefineret model, som indfører en begrænsning i eksperimentet og kan skævvride resultaterne. "Vores algoritme kan automatisk og selvstændigt afgøre, hvilken model der er den bedste model ud af n modeller, til enhver tid, afhængigt af de indsamlede data, " sagde Talapatra. Det autonome computerprogram reducerer antallet af trin og begrænser brugen af ​​begrænsede ressourcer. Da det kan starte med så få som to eksperimenter som indledende datapunkter, Algoritmen er ideel til at optimere indledende eksperimenter og skelne den bedste vej frem.

Det kan bruges som et et-trins værktøj af eksperimentalister til blot at beslutte sig for det næste materiale, der skal udforskes, eller som et rent beregningsværktøj til at erstatte dyre beregningsmodeller og reducere beregningsomkostninger. Det kan også bruges i en kombineret eksperimentel og beregningsmæssig opsætning. I det mindste, denne ramme giver et meget effektivt middel til at opbygge det indledende datasæt, da det kan bruges til at guide eksperimenter eller beregninger ved at fokusere på at indsamle data i de dele af materialedesignrummet, som vil resultere i den mest effektive vej til at opnå det optimale materiale.

"Typisk, materialeforskning foregår på en meget ad hoc måde, og serendipitet har en tendens til at være reglen, snarere end undtagelsen, " sagde Talapatra. "Problemet er, at du ofte ikke kender den grundlæggende fysik bag, hvorfor et materiale virker eller ikke virker. Vores modeller er ikke præcise nok. Når du starter en materialeopdagelsesrejse, du starter med den helt grundlæggende fysiske viden, såsom antallet af elektroner, og hvad der sker, når grundstofferne går sammen. Man skal finde lighederne mellem funktionerne og egenskaberne."

"Vi inkluderede så meget videnskab som muligt i (kunstig intelligens) modellerne, " sagde Boluki, en ph.d.-studerende, der skal forsvare sit speciale næste efterår. Boluki og Talapatra arbejdede som implementere i projektet og kodede det i python sammen.

Papiret om algoritmen er blevet peer reviewet, præsenteret på flere konferencer og givet god feedback fra materialevidenskab og ingeniørmiljø. Ingeniører og videnskabsmænd ved Texas A&M bruger allerede programmet.

Fra cellepatologi til materialevidenskab:Den matematiske underbygning

I 2011 Qian og Dougherty begyndte at samarbejde om at forbedre eksperimentdesign inden for biomedicinsk forskning. De brugte matematiske modeller til at se, hvornår celler skal til tumorstadiet.

Samme år, føderale politiske beslutningstagere annoncerede Materials Genome Initiative, som har til formål at accelerere opdagelsen af ​​nye avancerede materialer ved at kombinere brugen af ​​beregningsmæssige og eksperimentelle værktøjer sammen med digitale data. I løbet af de sidste otte år, landsdækkende, meget tid, der er investeret penge og ressourcer i denne indsats.

Qian and Dougherty turned their focus to materials science problems in 2013. The team started working on optimal design problems two years ago, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", i Physical Review Materials .