Искусственный интеллект совершенствует то, как ученые исследуют материалы. Исследователи из лаборатории Эймса и Техасского университета A&M обучили модель машинного обучения (МО) для оценки стабильности редкоземельных соединений. Эта работа была поддержана программой лабораторных исследований и разработок (LDRD) в лаборатории Эймса. Разработанная ими структура основана на современных современных методах экспериментов с соединениями и понимания химической нестабильности.
Лаборатория Эймса является лидером в исследованиях редкоземельных элементов с середины 20 века. Редкоземельные элементы имеют широкий спектр применения, включая технологии экологически чистой энергии, хранение энергии и постоянные магниты. Открытие новых соединений редкоземельных элементов является частью более масштабных усилий ученых по расширению доступа к этим материалам.
Настоящий подход основан на машинном обучении (МО), форме искусственного интеллекта (ИИ), которая управляется компьютерными алгоритмами, совершенствующимися за счет использования данных и опыта. Исследователи использовали обновленную базу данных редкоземельных элементов Лаборатории Эймса (RIC 2.0) и высокопроизводительную теорию функционала плотности (DFT), чтобы построить основу для своей модели машинного обучения.
Высокопроизводительный скрининг — это вычислительная схема, позволяющая исследователю быстро протестировать сотни моделей. DFT — это квантово-механический метод, используемый для исследования термодинамических и электронных свойств многих систем организма. На основе этого сбора информации разработанная модель машинного обучения использует регрессионное обучение для оценки фазовой стабильности соединений.
Тайлер Дель Роуз, аспирант Университета штата Айова, провел большую часть фундаментальных исследований, необходимых для базы данных, написав алгоритмы для поиска в Интернете информации, дополняющей базу данных и вычисления DFT. Он также работал над экспериментальной проверкой прогнозов ИИ и помогал улучшать модели на основе машинного обучения, обеспечивая их репрезентативность.
«Машинное обучение здесь действительно важно, потому что, когда мы говорим о новых композициях, упорядоченные материалы очень хорошо известны всем в сообществе редкоземельных элементов», — сказал научный сотрудник лаборатории Эймса Прашант Сингх, который вместе с Гильермо Васкесом руководил работой по DFT плюс машинному обучению . и Раймундо Аррояве. «Однако, когда вы добавляете беспорядок в известные материалы, это совсем другое. Количество композиций становится значительно больше, часто тысячи или миллионы, и вы не можете исследовать все возможные комбинации, используя теорию или эксперименты».
Сингх объяснил, что анализ материала основан на дискретной петле обратной связи, в которой модель AI/ML обновляется с использованием новой базы данных DFT на основе структурной и фазовой информации, полученной в ходе наших экспериментов. Этот процесс обеспечивает передачу информации от одного шага к другому и снижает вероятность ошибок.
Ярослав Мудрик, руководитель проекта, сказал, что структура была разработана для изучения редкоземельных соединений из-за их технологической важности, но ее применение не ограничивается исследованиями редкоземельных элементов. Тот же подход можно использовать для обучения модели машинного обучения для прогнозирования магнитных свойств соединений, управления технологическими процессами для преобразующего производства и оптимизации механических характеристик.
«На самом деле это не предназначено для обнаружения конкретного соединения», — сказал Мудрик. «Как мы разработаем новый подход или новый инструмент для открытия и предсказания редкоземельных соединений? И это то, что мы сделали».
Мудрик подчеркнул, что эта работа — только начало. Команда изучает весь потенциал этого метода, но они с оптимизмом смотрят на то, что в будущем у этого фреймворка будет множество приложений.
Это исследование дополнительно обсуждается в статье «Термодинамическая модель с поддержкой машинного обучения для разработки новых редкоземельных соединений», авторами которой являются П. Сингх, Т. Дель Роуз, Г. Васкес, Р. Аррояв и Ю. Мудрик; и опубликованы в Acta Materialia.