Vědci z MIT zdokonalili AI modely: Přesnější předpovědi chování kovových slitin pro klíčová odvětví

Společnosti v oblastech letectví, energetiky a výpočetní techniky neustále hledají nové materiály pro zlepšení výkonu. Aby však pochopily, jak se tyto materiály budou chovat v raketách nebo počítačových čipech, musí je nejprve vyrobit a otestovat.

Společnosti v oblastech letectví, energetiky a výpočetní techniky neustále hledají nové materiály pro zlepšení výkonu. Aby však pochopily, jak se tyto materiály budou chovat v raketách nebo počítačových čipech, musí je nejprve vyrobit a otestovat. I ty nejvýkonnější simulační techniky totiž mají potíže s modelováním složitých chemických uspořádání ve většině dnešních pevných materiálů, což prodražuje a prodlužuje inovace v materiálovém inženýrství.

Tým výzkumníků z MIT nyní vytvořil způsob, jak přesně modelovat chování kovů bez ohledu na složitost jejich chemického uspořádání. Jádrem přístupu jsou modely strojového učení, které zrychlují a zpřesňují simulace materiálů. Vědci tyto modely vylepšili tím, že vytvořili tréninkové datové sady, které zachycují rozmanitost atomových prostředí v chemicky neuspořádaných materiálech. Svůj přístup, který může být adaptován i pro jiné typy materiálů, jako jsou polovodiče, představili v novém článku v časopise Science Advances.

Vlastnosti materiálů jsou z velké části určeny vnitřním uspořádáním jejich chemických prvků. I když dva materiály mají stejnou směs chemických prvků, různé chemické uspořádání může znamenat rozdíl mezi křehkým materiálem a materiálem, který se deformuje bez lomu. Zachycení tohoto rozdílu vyžaduje simulaci materiálů atom po atomu. Modely strojového učení fungují dobře, když chemické uspořádání uvnitř materiálů sleduje vysoce uspořádané vzory, což však není případ většiny pevných materiálů, jejichž atomová chemická uspořádání jsou neuspořádaná a liší se region od regionu. Problém spočívá v nedostatku reprezentativních tréninkových dat pro tyto simulace.

Výzkumníci použili matematický přístup známý jako teorie informací k vygenerování tréninkových datových sad, které zachycují širší škálu lokálních chemických prostředí uvnitř neuspořádaných materiálů. Metoda funguje tak, že vyměňuje atomy ze vzorků, aby se snížilo opakování a model byl vystaven chemickým prostředím, která by jinak mohl přehlédnout. Když byly modely trénovány na těchto datových sadách, předpovídaly vlastnosti materiálů přesněji než modely trénované pomocí náhodného vzorkování nebo jiné populární metody. To umožňuje simulacím věrněji odrážet to, co se děje s materiály v reálném světě.

Tým aplikoval svou techniku k vytvoření tréninkových datových sad pro skupinu chemicky rozmanitých kovových slitin. Pomocí sady modelů strojového učení ukázali, že modely trénované na jejich datových sadách jsou přesnější než mnohem větší modely vytvořené společnostmi jako Google a Microsoft. Metoda funguje částečně tím, že zachycuje skryté vzory ve vzorkových datech, které popisují jako „jemné energetické tendence k určitým lokálním chemickým konfiguracím“. Tyto malé energetické rozdíly jsou důležité, protože určují, které fáze se ve slitině tvoří, jak se tyto fáze mění s teplotou a složením a nakonec jaké vlastnosti bude mít materiál. Modely například dokázaly přesně předpovídat fázové diagramy, které se úzce shodovaly s experimentálními daty. Fázové diagramy jsou přitom klíčovým nástrojem pro návrh a zpracování slitin.