Как с помощью AI будут обнаружены новые прорывные материалы будущего
Привет. То, как разрабатываются материалы для компьютерных чипов, солнечных панелей и батарей, похоже, находится на стадии радикальных изменений. То же самое касается исследований в таких областях, как сверхпроводники и термоэлектрические материалы.
Причина? Новые возможности машинного обучения в материаловедении.
Взрыв этих технологий должен произойти на наших глазах. За последние пять лет в научно-исследовательских группах по материалам был достигнут огромный прогресс, в результате использования методов AI/машинного обучения. Объем научных работ по этому вопросу растет почти экспоненциально.
Мы уже видим реальные достижения на основе проведенных исследований, но возможно, что мы находимся только в начале пути. Машинное обучение (ML) может принести пользу практически на каждом шаге научного процесса разработки и совершенствования материалов.
Материаловедении является частью общего технологического прогресса. Качество готовой продукции зависит от качества и возможностей материала, используемого для его изготовления.
Вот почему материаловедение имеет критически важное значение для технического прогресса. Хотите лучший компьютерный чип? Вам нужны новые материалы. Более эффективные батареи для беспилотных автомобилей или солнечных батарей? Тот же ответ.
Конкретный пример того, как машинное обучение способно помочь в разработке новых материалов, может продемонстрировать Стэнфордский университет, где команда исследователей использует его для разработки лучших электролитов для литий-ионных батарей.
Электролиты часто состоят из ряда материалов. Поиск оптимальной комбинации и состава указанных материалов может быть затруднен.
"Мы разработали модель машинного обучения, которая превосходила интуицию экспертов при прогнозировании использования материалов"
Новых примеров предостаточно
Ученые университета штата Мэриленд, используют машинное обучение в исследованиях сверхпроводников.
«У нас есть список всех сверхпроводников, о которых мы знаем, но у нас пока нет хорошего способа выяснить, будет ли что-то сверхпроводником. Мы применили машинное обучение к этому процессу, чтобы помочь найти пути для разработки такой структуры».
Исследователи видят большой потенциал для машинного обучения в других областях, таких как разработка термоэлектрических материалов, которые поглощают тепло и превращают его в электричество.
Огромный процент нашего производства энергии теряется в виде тепла. Способность поймать даже лишь небольшой процент может оказать огромное влияние.
Помимо сверхпроводников и термоэлектрических материалов, ученые считают, что машинное обучение может привести к успехам в хранилищах водорода для топливных элементов. В здравоохранении ML может помочь найти новые материалы, которые будут лучше контролировать растворимость лекарств. Также это может привести к появлению новых металлических стекол, подмножества металлов без кристаллической структуры, которые имеют множество возможных применений, включая конструкцию нанотрубок.
Машинное обучение может иметь применение и в самих научных процессах.
Многие процессы в материаловедении основаны на определенной классификации или подгонке. Традиционно это делалось вручную или при помощи некоторой простой линейной модели после обработки значительного объема данных. Машинное обучение облегчает эти задачи, улучшая качество, скорость и количество данных, которые можно обработать. Это позволило создать автоматические методы построения фазовых диаграмм, прогнозирования структур для новых композиций и анализа микроснимков вместо людей.
Данные являются магическим ингредиентом
Революция машинного обучения и материаловедения еще только зарождается. Одной из областей развития является выяснение того, где машинное обучение имеет смысл, а где нет.
Сообщество материаловедов активно стремится определить области, в которых идеи машинного обучения могут оказать влияние, при этом текущая работа варьируется от проблем выбора материалов до более быстрого и эффективного сбора и анализа данных.
Сейчас мы только входим в эпоху использования больших данных (BD) в материаловедении с большими базами хорошо подготовленных данными, но истинная сложность материалов намного выше. Для сравнения, все данные в интернете (около секстиллиона байт), только сейчас достигают количества атомов в одной песчинке.
Еще один нерешенный вызов заключается в том, как превратить новые, находящиеся на стадии теории материалы, в реальные, особенно в промышленном масштабе.
Это похоже на разницу в знании ингредиентов и знании точного рецепта, скажем, суфле. Вы должны знать точный процесс. В этом заключается разница между хорошим, легким суфле и кирпичом.
Но, несмотря на наличие проблем, все опрошенные ученые возлагают большие надежды на потенциал машинного обучения в области материаловедения
Новые возможности машинного обучения в научном процессе могут сократить время, необходимое для проведения экспериментов на 80%.
Ученые могут иметь набор инструментов машинного обучения, встроенный в экспериментальную установку. Он анализирует результаты эксперимента, и может алгоритмически решить, какой эксперимент нужно проводить дальше, после чего вывести общий результат всей серии экспериментов.
Другие возможности включают в себя передачу частичного контроля над экспериментом в систему искусственного интеллекта, которая самостоятельно принимает решения о следующих шагах.
Кроме того, машинное обучение может использоваться даже для своего рода обратного проектирования.
Представьте, что вам нужна батарея с определенным набором свойств. Вы подаете их в модель машинного обучения, которая проверяет все доступные, известные материалы, после чего предлагает ряд батарей, состоящих из разных материалов, соответствующих вашим требованиям.
Многие из этих достижений не так уж далеки, как думают люди, - во многих случаях мы говорим о нескольких годах.
Машинное обучение является ключом и к будущим достижениям в космосе, помогая ученым отбросить существующие теоретические ограничения и, возможно, привести к разработке множества интересных новых материалов.
