Maskininlärning kan hjälpa till att utveckla nya typer av metaller med användbara egenskaper, som att stå emot extrema temperaturer och rost. Sådan forskning kan vara användbar inom en rad olika sektorer - till exempel kan metaller som fungerar bra vid lägre temperaturer förbättra rymdfarkoster medan metaller som motstår korrosion kan användas i båtar och ubåtar.
För närvarande experimenterar forskare i labb för att hitta sätt att kombinera metaller och på så sätt skapa nya metaller. Man börjar till exempel med en välkänd mineral som järn, som är billigt och formbart, och applicerar en eller två andra metaller för att se vilken effekt det har på ursprungliga materialet. Det är en mödosam process som “oundvikligen resulterar i fler misslyckanden än användbara resultat”, enligt MIT Technology Review.
En nypulicerad artikel i tidskriften Science tyder på att man med hjälp AI mycket mer exakt än tidigare kan förutsäga vilka kombinationer av metaller som kommer att visa lovande.
Forskare från Max Planck-institutet lyckades identifiera 17 lovande nya metaller med denna metod. Teamet letade efter metaller med en låg nivå av "invar", ett begrepp som hänvisar till hur mycket material expanderar eller drar ihop sig när de utsätts för höga eller låga temperaturer.
Metaller med låg invar ändrar inte storlek under extrema temperaturer. De används ofta i industrier där just den egenskapen är användbar.
Teamet lyckades hitta dessa nya metaller genom en kombination av AI och labbexperiment. Först var de tvungna att övervinna en betydande utmaning: bristen på befintlig data som de kunde använda för att träna maskininlärningsmodellerna. De tränade modellerna på de data de hade tillgängliga. AI-systemet använde dessa data för att göra förutsägelser för nya metaller som skulle uppvisa låg invar.
Forskarna skapade sedan dessa metaller i ett labb, mätte resultaten och förde tillbaka dessa resultat till maskininlärningsmodellen. Processen fortsatte på det sättet, om och om igen, tills de 17 lovande nya metallerna dök upp.
Resultaten kan hjälpa till att bana väg för ökad användning av maskininlärning inom materialvetenskap, ett område som fortfarande är starkt beroende av laboratorieexperiment. Tekniken att använda maskininlärning för att göra förutsägelser som sedan kontrolleras i labbet skulle också kunna anpassas för upptäckter inom andra områden, såsom kemi och fysik, menar forskarna.
Källa: MIT Technology Review