Bestil op! AI finder det rigtige materiale

Ingeniører leder altid efter materialer med meget specifikke egenskaber til deres projekter. Desværre, der er alt for mange muligheder for, at forskere simpelthen kan gætte-og-tjekke, indtil de finder, hvad de leder efter. Selv hvis de skulle simulere materialer, i stedet for at teste dem i laboratoriet, det ville tage alt for lang tid at finde et passende materiale.

Heldigvis, forskere har skabt algoritmer ved hjælp af kunstig intelligens, der vil finde det rigtige materiale til ethvert projekt. I et nyligt offentliggjort papir, et hold af forskere fra Carnegie Mellon University og University of Calgary har forbedret en af ​​disse algoritmer, giver forskere mulighed for hurtigt og præcist at finde materialer med ønskede egenskaber.

"Da materialerummet er så enormt, det er meget vanskeligt eksperimentelt og beregningsmæssigt at karakterisere materialeegenskaberne, " sagde Amir Barati Farimani, en adjunkt i maskinteknik ved CMU. "Så vi laver algoritmer, eller modeller, som hurtigt kan forudsige materialets egenskaber."

At bruge kunstig intelligens, eller AI, forskere skal først træne algoritmen ved hjælp af kendte data. Derefter, algoritmen lærer at ekstrapolere nye ideer fra den information. Barati Farimani og hans team trænede algoritmen med data om den kemiske sammensætning af materialer. I særdeleshed, de inkluderede information om den rolle elektroner spiller i bestemmelsen af ​​materialeegenskaber. Disse kemiske data har skabt en ny materialebeskrivelse for algoritmen, ifølge Barati Farimani.

Da denne algoritme kan forudsige egenskaberne af en lang række materialer, det har mange applikationer. For eksempel, algoritmen kunne finde et materiale med termiske egenskaber egnet til solpaneler. Derudover det kunne identificere materialer til fremstilling af stoffer og batterier. For at bruge denne algoritme, en forsker kan simpelthen få de fortrænede deep learning-modeller til at finde den egenskab, de kigger på.

Den måde, disse algoritmer forbedres på, er ved at blive hurtigere og mere præcise. Hvis algoritmen ikke er nøjagtig nok, resultaterne vil være ubrugelige. Hvis algoritmen er for langsom, forskere vil aldrig kunne få adgang til resultaterne. I øjeblikket, holdet har fundet ud af, at deres algoritme er bedre end andre førende algoritmer.

"Du kan bruge denne algoritme og træne en dyb læringsmodel og forudsige dem på en brøkdel af sekunder, " sagde Barati Farimani. "Essensen er at bevise, at den forudsiger forskellige slags materialer med høj nøjagtighed - så kan enhver industri bruge det."

Deres papir blev udgivet i Materialer til fysisk gennemgang . CMU post-doc forsker Mohammadreza Karamad, Ph.D. studerende Rishikesh Magar, og forskeren Yuting Shi blev også opført som medforfattere. Andre forfattere omfatter Samira Siahrostami og Ian D. Gates fra University of Calgary.