AI fremskynder udviklingen af ​​nye legeringer med høj entropi

Det tager meget tid at udvikle nye materialer, penge og kræfter. For nylig, et POSTECH-forskerteam har taget et skridt i retning af at skabe nye materialer ved at anvende AI til at udvikle højentropi-legeringer (HEA'er), der omtales som 'legeringer af legeringer'.

Et fælles forskerhold ledet af professor Seungchul Lee, Ph.d. kandidat Soo Young Lee, Professor Hyungyu Jin og ph.d. kandidat Seokyeong Byeon fra Institut for Maskinteknik sammen med professor Hyoung Seop Kim fra Institut for Materialevidenskab og Teknik har sammen udviklet en teknik til faseforudsigelse af HEA'er ved hjælp af AI. Resultaterne fra undersøgelsen blev offentliggjort i det seneste nummer af Materialer og design , et internationalt tidsskrift om materialevidenskab.

Metalliske materialer fremstilles konventionelt ved at blande hovedelementet for den ønskede ejendom med to eller tre hjælpeelementer. I modsætning, HEA'er er lavet med lige eller lignende andele af fem eller flere elementer uden et hovedelement. De typer legeringer, der kan laves på denne måde, er teoretisk uendelige og har enestående mekanisk, termisk, fysisk, og kemiske egenskaber. Legeringer, der er modstandsdygtige over for korrosion eller ekstremt lave temperaturer, og højstyrke legeringer er allerede blevet opdaget.

Imidlertid, indtil nu, at designe nye materialer med høj entropi-legering var baseret på forsøg og fejl, hvilket kræver meget tid og penge. Det var endnu vanskeligere på forhånd at bestemme fasen og de mekaniske og termiske egenskaber ved den højentropiske legering, der udvikles.

Til dette, det fælles forskergruppe fokuserede på at udvikle forudsigelsesmodeller om HEA'er med forbedret faseforudsigelse og forklarbarhed ved hjælp af dyb læring. De anvendte dyb læring gennem tre perspektiver:modeloptimering, datagenerering og parameteranalyse. I særdeleshed, fokus var på at opbygge en dataforbedrende model baseret på det betingede generative kontradiktoriske netværk. Dette tillod AI -modeller at afspejle prøver af HEA'er, der endnu ikke er blevet opdaget, forbedrer dermed faseforeningsnøjagtigheden i forhold til konventionelle metoder.

Ud over, forskergruppen udviklede en beskrivende AI-baseret HEA-fase forudsigelsesmodel for at give tolkningsmodeller fortolkningsevne, der fungerer som en sort boks, samtidig med at den giver vejledning om centrale designparametre til oprettelse af HEA'er med bestemte faser.

"Denne forskning er et resultat af en drastisk forbedring af eksisterende forskning ved at indarbejde AI i HEA'er, der for nylig har tiltrukket megen opmærksomhed, "bemærkede professor Seungchul Lee. Han tilføjede, "Det er betydningsfuldt, at det fælles forskerholds tværfaglige samarbejde har frembragt de resultater, der kan fremskynde AI-baseret fremstilling af nye materialer."

Professor Hyungyu Jin tilføjede også, "Resultaterne af undersøgelsen forventes i høj grad at reducere den tid og de omkostninger, der kræves til den eksisterende nye materialeudviklingsproces, og til aktivt at blive brugt til at udvikle nye legeringer med høj entropi i fremtiden. "