Flamme på! Hvordan AI kan tæmme en kompleks materialeteknik og transformere fremstilling

Oprettelse af nanomaterialer med flammespraypyrolyse er kompleks, men forskere ved Argonne har opdaget, hvordan anvendelse af kunstig intelligens kan føre til en lettere proces og bedre ydeevne.

Under en rundvisning i Manufacturing and Engineering Research Facility ved det amerikanske energiministeriums Argonne National Laboratory, Marius Stan, Intelligent Materials Design -lederen i Argonne's Applied Materials Division (AMD), stødte på en ny eksperimentel opsætning. Da han så maskinen i eksperimentet, som er afhængig af flamme til at producere nanomaterialer, han havde en tanke:Kunne kunstig intelligens bruges til at optimere denne komplekse proces?

Når du bliver bedt om at forklare processen, Stan udtrykte det enkelt:"Det er her, forskerne sætter kemikalier i en flamme og venter på et mirakel - på at partikler dukker op i slutningen af ​​processen, partikler, der har vigtige egenskaber til en række forskellige anvendelser." Flammespray pyrolyse er en teknologi, der muliggør fremstilling af nanomaterialer i store mængder, hvilket igen er afgørende for at producere en lang række industrielle materialer, som kemiske katalysatorer, batterielektrolytter/katoder og pigmenter.

Flash frem til juli 2020 og offentliggørelse af "Frame spray pyrolyse optimering via statistik og maskinlæring" i journalen Materialer og design , et papir forfattet af et AMD-forskerhold, der viste, at flammespray-pyrolyseprocessen faktisk kunne optimeres til at skabe mere effektive materialer, der kan hjælpe med at transformere indenlandsk produktion.

Forskerne opdagede, hvordan man ændrer et materiales kemi og justerer maskinens parametre ved hjælp af avancerede statistiske teknikker.

"Vi besluttede at se på silicaproduktion, at prøve at påvirke kvaliteten af ​​pulveret, " sagde Noah Paulson, en computermaterialeforsker og papirets hovedforfatter, sammen med Joe Libera, en hovedmaterialeforsker, der driver laboratoriets flammespraypyrolyse, og Stan. "Vi fandt ud af, at vi kunne bruge maskinlæring til at styre input i flammespray -pyrolyseopsætningen - og det er komplekst, der er mange forskellige input - og opnå ønskelige resultater. "

Paulson tilføjede, at silica blev valgt, fordi det er velegnet til beregningsmodeller, men undersøgelsens fund kan resultere i en lang række forbedrede materialer, f.eks. batterielektroder. "Hvis du har en bil, og du vil fordoble bilens rækkevidde på en enkelt opladning, du har brug for bedre batterimaterialer. Det er det, der begrænser os med hensyn til disse applikationer."

Den kunstige intelligenss rolle i forskningen var særlig bemærkelsesværdig. Stan, som har viet en stor del af sin karriere til at studere forholdet mellem mennesker og maskiner, sagde, at analyseniveauet i dette projekt var så komplekst, at det næsten var umuligt for et menneske.

"Dette er en demonstration af, at vi kan oprette en algoritme og software, der også kan styre en proces, hvis ikke bedre, end et menneske kan. Dette involverede så mange parametre, at kunstig intelligens var nødvendig for at øge vores hjerne i behandlingen af ​​disse oplysninger, " sagde Stan. "Vi kunne ikke have udtrukket disse resultater fra dataene kun ved observation, fordi der var så mange dimensioner."

Paulson var enig. "Kernen i denne teknologi er maskinlæring, der giver os mulighed for at optimere disse behandlingsforhold uden menneskelig input, "sagde Paulson." Vi er dybest set i stand til at nulstille partikelstørrelsesfordelingen (vi ønsker) på en enkelt dag med eksperimenter, i forhold til hvad der kan være mange uger. "

Ser frem til, Paulson og Stan pegede på yderligere mulig forskning, der involverer både de eksperimentelle og beregningsmæssige sider.

På produktions- og ingeniørforskningsfaciliteten, medlemmer af forskerholdet søger at komme i kontakt med industrielle partnere for at studere, hvordan projektsoftwaren bedre kan kontrollere forbrændingen og de kemiske processer, der er en del af flammespraypyrolyse. På samme tid, de håber at kunne udnytte Argonnes kommende højtydende supercomputer Aurora og dens exascale-kapaciteter, for at hjælpe med arbejdets intensive beregningsmæssige karakter.

Paulson mener, at denne form for indsats i sidste ende vil resultere i evnen til at producere bedre materialer, som er en forløber for fremskridt på mange forskellige teknologiske fronter.

"Materialer er den virkelige flaskehals, "forklarede han." Hvis vi kan finde en måde at oversætte de succeser, vi ser i laboratoriet, til materialer, der kan fremstilles til rimelige omkostninger, så kan vi aktivere de teknologier, som verden virkelig har brug for."