Krystalstruktur forudsigelse af multi-elementer tilfældig legering

Alkymi, som forsøgte at gøre billige metaller som bly og kobber til guld, endnu ikke er lykkedes. Imidlertid, med udviklingen af ​​legeringer, hvor to eller tre hjælpeelementer blandes med tidens bedste elementer, moderne alkymi kan producere højteknologiske metalmaterialer med høj styrke, såsom legeringer med høj entropi. Nu, sammen med kunstig intelligens, æraen med at forudsige krystalstrukturen i højteknologiske materialer er ankommet uden at kræve gentagne eksperimenter.

Et fælles forskerhold af professor Ji Hoon Shim og Dr. Taewon Jin (første forfatter, i øjeblikket på KAIST) fra POSTECHs afdeling for kemi, og professor Jaesik Park fra POSTECH Graduate School of Artificial Intelligence har sammen udviklet et system, der forudsiger krystalstrukturer af multi-elementlegeringer med udvidelige funktioner uden at skulle have massive træningsdata. Disse forskningsresultater blev for nylig offentliggjort i Videnskabelige rapporter .

Egenskaber ved solid-state materialer afhænger af deres krystalstrukturer. I fast opløsning høj entropi legering (HEA) - et materiale, der har den samme krystalstruktur, men kontinuerligt ændrer sin kemiske sammensætning inden for et bestemt område - varierer mekaniske egenskaber som styrke og duktilitet afhængigt af strukturfasen. Derfor, forudsigelse af et materiales krystalstruktur spiller en afgørende rolle i at finde nye funktionelle materialer. Metoder til at forudsige krystalstrukturen gennem maskinlæring er blevet undersøgt for nylig, men der er en enorm omkostning forbundet med at forberede de data, der er nødvendige for uddannelse.

Til dette, forskergruppen designede en kunstig intelligens -model, der forudsiger krystalstrukturen af ​​HEA'er gennem udvidelige funktioner og binære legeringsdata i stedet for de konventionelle modeller, der bruger mere end 80% af HEA -dataene i træningsprocessen. Dette er den første undersøgelse, der forudsiger krystalstrukturen i flerelementlegeringer, herunder HEA'er, med en kunstig intelligens -model, der kun er uddannet med sammensætninger og strukturelle fasedata for binære legeringer.

Gennem eksperimenter, forskerne bekræftede, at den strukturelle fase af flerelementlegeringen blev forudsagt med en nøjagtighed på 80,56%, selvom multi-elementlegeringsdata ikke var involveret i træningsprocessen. I tilfælde af HEA'er, det blev forudsagt med en nøjagtighed på 84,20%. Ifølge metoden udviklet af forskerholdet, det forventes, at beregningsomkostningerne kan spares med cirka 1, 000 gange i forhold til tidligere metoder.

"Et enormt datasæt er påkrævet for at anvende en kunstig intelligens -metode til udvikling af nye materialer, "forklarede professor Ji Hoon Shim, der ledede forskningen." Denne undersøgelse er vigtig, idet den gør det muligt effektivt at forudsige krystalstrukturen i avancerede materialer uden at sikre et stort datasæt. "