Maskinlæring øger søgen efter superhårde materialer

Superhårde materialer er i høj efterspørgsel i industrien, fra energiproduktion til rumfart, men at finde passende nye materialer har i høj grad været et spørgsmål om at prøve og fejle baseret på klassiske materialer som diamanter. Indtil nu.

Forskere fra University of Houston og Manhattan College har rapporteret en maskinlæringsmodel, der præcist kan forudsige hårdheden af ​​nye materialer, gør det muligt for forskere lettere at finde forbindelser, der er egnede til brug i en række forskellige anvendelser. Arbejdet blev anmeldt i Avancerede materialer .

Materialer, der er superhårde – defineret som dem med en hårdhedsværdi på over 40 gigapascal på Vickers-skalaen, hvilket betyder, at det ville tage mere end 40 gigapascal tryk at efterlade en fordybning på materialets overflade - er sjældne.

"Det gør det udfordrende at identificere nye materialer, " sagde Jakoah Brgoch, lektor i kemi ved UH og tilsvarende forfatter til papiret. "Det er grunden til, at materialer som syntetisk diamant stadig bruges, selvom de er udfordrende og dyre at lave."

En af de komplicerende faktorer er, at hårdheden af ​​et materiale kan variere afhængigt af mængden af ​​tryk, der udøves, kendt som belastningsafhængighed. Det gør det næsten umuligt at teste et materiale eksperimentelt komplekst og bruge beregningsmodellering i dag.

Modellen rapporteret af forskerne overvinder det ved at forudsige den belastningsafhængige Vickers hårdhed udelukkende baseret på den kemiske sammensætning af materialet. Forskerne rapporterer at finde mere end 10 nye og lovende stabile borocarbidfaser; arbejdet er nu i gang med at designe og producere materialerne, så de kan testes i laboratoriet.

Baseret på modellens rapporterede nøjagtighed, oddsene er gode. Forskere rapporterede nøjagtigheden på 97%.

Første forfatter Ziyan Zhang, en ph.d.-studerende ved UH, sagde databasen bygget til at træne algoritmen er baseret på data, der involverer 560 forskellige forbindelser, hver giver flere datapunkter. At finde de data, der krævede, gennemgang af hundredvis af offentliggjorte akademiske artikler for at finde data, der er nødvendige for at opbygge et repræsentativt datasæt.

"Alle gode maskinlæringsprojekter starter med et godt datasæt, " sagde Brgoch, som også er hovedefterforsker ved Texas Center for Superconductivity på UH. "Den sande succes er i høj grad udviklingen af ​​dette datasæt."

Ud over Brgoch og Zhang, yderligere forskere på projektet inkluderer Aria Mansouri Tehrani og Blake Day, både med UH, og Anton O. Oliynyk fra Manhattan College.

Forskere har traditionelt brugt maskinlæring til at forudsige en enkelt variabel hårdhed, Brgoch sagde, men det tager ikke højde for ejendommens kompleksitet som belastningsafhængighed, som han sagde stadig ikke er godt forstået. Det gør maskinlæring til et godt værktøj, trods tidligere begrænsninger.

"Et maskinlæringssystem behøver ikke at forstå fysikken, " sagde han. "Den analyserer bare træningsdataene og laver nye forudsigelser baseret på statistik."

Machine learning har begrænsninger, selvom.

"Ideen med at bruge maskinlæring er ikke til at sige, 'Her er det næststørste materiale, ' men for at hjælpe med at guide vores eksperimentelle søgning, " sagde Brgoch. "Det fortæller dig, hvor du skal kigge."