AI mění hru: Nová metoda urychluje vývoj odolných slitin pro extrémní teploty a masovou výrobu

Vědci z Texas A&M University vyvinuli inovativní pracovní postup pro objevování slitin, který je řízen umělou inteligencí. Tato metoda by mohla výrazně urychlit návrh kovů schopných přežít extrémní teploty, což je klíčové pro řadu průmyslových odvětví.

Vědci z Texas A&M University vyvinuli inovativní pracovní postup pro objevování slitin, který je řízen umělou inteligencí. Tato metoda by mohla výrazně urychlit návrh kovů schopných přežít extrémní teploty, což je klíčové pro řadu průmyslových odvětví. Cílem experimentu bylo nejen zrychlit objevování vysoce výkonných slitin, ale také zajistit, aby byly realisticky vyrobitelné ve velkém měřítku.

Pracovní postup nejprve využívá vysoce propustné termodynamické modelování k prověření tisíců možných složení slitin. Následně vybere nejslibnější kandidáty pro skutečné experimenty. Cafer Acemi, doktorand z Katedry materiálových věd a inženýrství na Texas A&M, který za experiment získal cenu Acta Student Award, zdůrazňuje, že jejich oddělení pomáhá utvářet směr objevování slitin, kde modely vedou k dalším krokům a experimenty poskytují důkazy pro zpřesnění těchto voleb.

Výzkumníci uvedli, že výpočetní screeningový proces výrazně snížil potřebu drahého experimentálního testování tím, že v rané fázi eliminoval slabší kandidáty. Brent Vela, spoluautor studie, dodal, že modelování jim umožnilo vyřadit slitiny, které by pravděpodobně nefungovaly, ještě předtím, než byly vyrobeny. Tím se vyhnuli nákladným pokusům a omylům a urychlili cestu k použitelným materiálům.

Do pracovního postupu byly také začleněny modely strojového učení spolu s fyzikálními výpočty, aby se zlepšila přesnost předpovědí, jakmile byly k dispozici další experimentální data. Dr. Raymundo Arroyave vysvětlil, že strojové učení je sice výkonné, ale bez fyziky se může odchýlit od reality. Začátek od základních principů udržuje model ukotvený a data jej pak disciplinovaným a efektivním způsobem zpřesňují.

Namísto spoléhání se na ruční rozhodování systém používá algoritmickou optimalizaci k určení, která složení slitin by měla být testována jako další. To umožňuje pracovnímu postupu neustále se zlepšovat po každém experimentu. Brent Vela popsal tento „uzavřený cyklus“, kdy se experimentální výsledky neustále vkládají zpět do optimalizačního algoritmu, takže se systém učí z každého výsledku a algoritmicky doporučuje nejlepší další složení k testování.

Studie se také silně zaměřila na proveditelnost výroby. Namísto hodnocení materiálů pouze z hlediska laboratorního výkonu tým zahrnul omezení zpracování a škálovatelnosti již od začátku procesu návrhu. Dr. Ibrahim Karaman, vedoucí katedry a spoluautor studie, zdůraznil, že význam spočívá v tom, že nasazení je považováno za součást problému, nikoli za něco, co se řeší později. To znamená, že vyvíjené slitiny jsou nejen vysoce výkonné, ale jsou vybírány s realistickou cestou k výrobě, škálování a použití.