Ny forskning forudsiger hvornår, hvordan materialer vil virke

En ny maskinlæringsteknik vil give forskere mulighed for at forudsige, hvordan materialer vil virke, før de går igennem den svære og tidskrævende proces med at teste dem.

Holdet, ledet af forskere fra University of Cambridge, udviklede en 'multi-fidelity' maskinlæringstilgang til at forudsige materialers egenskaber. Denne metode kombinerede information om materialets struktur opnået ved hjælp af beregningsteknikker med eksperimentelle målinger for at opbygge nøjagtige prædiktive modeller ved hjælp af deep-learning algoritmer.

Forskerne testede multi-fidelity-tilgangen på fire materialer:stållegeringer, højentropi-legeringer, termoelektriske materialer og metalorganiske rammer. De demonstrerede, at deres metode opnåede state-of-the-art ydeevne til at forudsige disse materialers egenskaber.

For eksempel, for stållegeringer, forudsagde multi-fidelity-modellen materialets flydespænding med en gennemsnitlig absolut fejl (MAE) på kun 1,8%, sammenlignet med 4,5% for den bedste tidligere metode. For højentropi-legeringer forudsagde multi-fidelity-modellen materialets Vickers-hårdhed med en MAE på 2,3% sammenlignet med 5,8% for den bedste tidligere metode.

"Machine-learning-teknikker kan forudsige materialers egenskaber og reducere tiden og omkostningerne ved materialeopdagelse betydeligt," sagde medforfatter Dr. Hao Wu fra Institut for Materialevidenskab og Metallurgi i Cambridge. "Men for maskinlæring at give høj-fidelitet, beregningsmæssigt effektive forudsigelser, skal vi kombinere flere komplementære informationskilder, såsom fysik-informerede modeller og eksperimentelle målinger."

Materialeopdagelse og -udvikling involverer i øjeblikket en iterativ cyklus af materialesyntese, eksperimenter til at måle materialeegenskaber og kostbare beregningssimuleringer for at forstå de underliggende mekanismer. Denne tilgang er tidskrævende, dyr og ineffektiv, og den kræver typisk menneskelige eksperter med dyb viden om fysik eller kemi.

Den nye multi-fidelity maskinlæringstilgang strømliner designprocessen ved effektivt at identificere de mest lovende materialekandidater uden at skulle udføre mange tidskrævende eksperimenter eller high-fidelity-beregninger.

"En typisk high-fidelity beregningssimulering kan tage en uge eller endda måneder at gennemføre," sagde medforfatter Dr. Xiaoqing Huang fra Institut for Materialevidenskab og Metallurgi. "Hvis vi vil udforske hundredvis af materialer, er det praktisk talt umuligt at gennemføre. at opnå high-fidelity-beregningsresultater for dem alle. Vores multi-fidelity deep-learning-ramme overvinder dette ved at bruge billige fysik-baserede simuleringer og eksperimentelle målinger til at vejlede indlæringen af ​​high-fidelity-modeller.

Ved betydeligt at reducere tiden og omkostningerne forbundet med materialeopdagelse, kan den nye multi-fidelity maskinlæringsteknik accelerere udviklingen af ​​nye og forbedrede materialer til en lang række applikationer, herunder energilagring, katalyse og rumfart.

"Vi tror på, at vores tilgang ikke kun kan muliggøre gennembrud inden for materialeopdagelse og -udvikling, men også gavne beregningsvidenskab og design inden for andre discipliner, såsom kemi, biologi og farmaceutisk forskning," siger seniorforfatter professor Li Yang fra Institut for Materialevidenskab &Metallurgi "Vi håber, at dette arbejde vil bane vejen for integration af multi-skala simuleringer og eksperimenter i en datadrevet ramme for videnskabelig forskning og ingeniørdesign."