Maschinelles Lernen unterstützt die Suche nach "superharten" Materialien
Modell sagt vielversprechende neue Materialien voraus
Superharte Werkstoffe sind in der Industrie sehr gefragt, von der Energieerzeugung bis zur Luft- und Raumfahrt, aber die Suche nach geeigneten neuen Materialien war bisher weitgehend eine Sache von Versuch und Irrtum, basierend auf klassischen Materialien wie Diamanten. Bis jetzt.
Forscher haben ein maschinelles Lernmodell entwickelt, das die Härte neuer Materialien genau vorhersagen kann. So können Wissenschaftler leichter Verbindungen finden, die für den Einsatz in einer Vielzahl von Anwendungen geeignet sind.
University of Houston
Forscher der University of Houston und des Manhattan College haben ein maschinelles Lernmodell entwickelt, mit dem die Härte neuer Materialien genau vorhergesagt werden kann, so dass Wissenschaftler leichter Verbindungen finden können, die für eine Vielzahl von Anwendungen geeignet sind. Die Arbeit wurde in Advanced Materials veröffentlicht.
Materialien, die superhart sind - definiert als solche mit einem Härtewert von mehr als 40 Gigapascal auf der Vickers-Skala, was bedeutet, dass mehr als 40 Gigapascal Druck nötig wären, um eine Vertiefung auf der Materialoberfläche zu hinterlassen - sind selten.
"Das macht die Identifizierung neuer Materialien zu einer Herausforderung", sagt Jakoah Brgoch, außerordentlicher Professor für Chemie an der UH und korrespondierender Autor der Arbeit. "Das ist der Grund, warum Materialien wie synthetischer Diamant immer noch verwendet werden, obwohl sie schwierig und teuer in der Herstellung sind."
Einer der komplizierenden Faktoren ist, dass die Härte eines Materials in Abhängigkeit von der Höhe des ausgeübten Drucks variieren kann, was als Lastabhängigkeit bekannt ist. Das macht das Testen eines Materials experimentell komplex und die Verwendung von Computermodellen heute fast unmöglich.
Das von den Forschern berichtete Modell überwindet dies, indem es die belastungsabhängige Vickershärte allein auf der Basis der chemischen Zusammensetzung des Materials vorhersagt. Die Forscher berichten, dass sie mehr als 10 neue und vielversprechende stabile Borcarbid-Phasen gefunden haben; es wird nun daran gearbeitet, die Materialien zu entwerfen und herzustellen, damit sie im Labor getestet werden können.
Basierend auf der berichteten Genauigkeit des Modells sind die Chancen gut. Die Forscher geben die Genauigkeit mit 97 % an.
Erstautor Ziyan Zhang, ein Doktorand an der UH, sagte, dass die Datenbank, die zum Trainieren des Algorithmus aufgebaut wurde, auf Daten von 560 verschiedenen Verbindungen basiert, von denen jede mehrere Datenpunkte liefert. Um die Daten zu finden, mussten Hunderte von veröffentlichten wissenschaftlichen Arbeiten durchforstet werden, um die Daten zu finden, die für den Aufbau eines repräsentativen Datensatzes benötigt wurden.
"Alle guten Machine-Learning-Projekte beginnen mit einem guten Datensatz", sagt Brgoch, der auch leitender Forscher am Texas Center for Superconductivity der UH ist. "Der eigentliche Erfolg ist größtenteils die Entwicklung dieses Datensatzes."
Zusätzlich zu Brgoch und Zhang, weitere Forscher auf das Projekt gehören Aria Mansouri Tehrani und Blake Day, beide mit UH, und Anton O. Oliynyk von Manhattan College.
Forscher haben traditionell maschinelles Lernen verwendet, um eine einzelne Variable der Härte vorherzusagen, sagte Brgoch, aber das berücksichtigt nicht die Komplexität der Eigenschaft, wie z.B. die Abhängigkeit von der Belastung, die seiner Meinung nach immer noch nicht gut verstanden wird. Das macht maschinelles Lernen zu einem guten Werkzeug, trotz früherer Einschränkungen.
"Ein maschinelles Lernsystem muss die Physik nicht verstehen", sagte er. "Es analysiert einfach die Trainingsdaten und macht neue Vorhersagen auf der Grundlage von Statistiken."
Maschinelles Lernen hat allerdings auch Grenzen. "Die Idee der Verwendung von maschinellem Lernen ist nicht zu sagen, 'Hier ist das nächste großartige Material', sondern zu helfen, unsere experimentelle Suche zu führen", sagte Brgoch. "Es sagt Ihnen, wo Sie suchen sollten."
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
