Een technisch onderzoeksteam van Texas A&M maakt gebruik van de kracht van machine learning, data science en de domeinkennis van experts om autonoom nieuwe materialen te ontdekken.

Het team ontwikkelde en demonstreerde een autonoom en efficiënt raamwerk dat in staat is om een ​​materiaalontwerpruimte optimaal te verkennen (de materiaalontwerpruimte is een abstractie van de concrete wereld. Het is de ruimte van alle mogelijke materialen die worden bestudeerd, gekenmerkt door fundamentele materiële kenmerken).

Een autonoom systeem - of kunstmatige intelligentie (AI) -agent - wordt gedefinieerd als elk systeem dat in staat is om een ​​interne representatie op te bouwen, of model, van het interesseprobleem, en die vervolgens het model gebruikt om beslissingen te nemen en acties te ondernemen, onafhankelijk van menselijke betrokkenheid.

De auteurs van dit interdisciplinaire werk zijn Dr. Anjana Talapatra en Dr. Raymundo Arroyave van het Department of Materials Science and Engineering, en Shahin Boluki, Dr. Xiaoning Qian en Dr. Edward Dougherty van de afdeling Electrical and Computer Engineering.

Hun autonome raamwerk is in staat om adaptief de beste machine learning-modellen te kiezen om het optimale materiaal te vinden dat aan een bepaald criterium voldoet. Hun onderzoek, gefinancierd door de National Science Foundation en het Air Force Office of Scientific Research, zal de tijd en kosten die nodig zijn om van laboratorium naar markt te gaan, verminderen door de grootst mogelijke efficiëntie te garanderen bij het zoeken naar het juiste materiaal.

De onderliggende wiskundige theorie kent vele toepassingen, waaronder die van invloed zijn op het gebied van de medische biologie. Bijvoorbeeld, met hun Bayesiaanse leer- en experimentontwerpkader, een ziekte kan worden gemodelleerd om kritieke risicofactoren bloot te leggen om effectieve therapieën voor specifieke patiënten te ontwikkelen en de kosten van klinische proeven bij mensen te verlagen.

"Geavanceerde materialen zijn essentieel voor economische veiligheid en menselijk welzijn, met toepassingen in industrieën gericht op het aanpakken van uitdagingen op het gebied van schone energie, nationale veiligheid en menselijk welzijn, toch kan het 20 jaar of langer duren om een ​​materiaal na de eerste ontdekking op de markt te brengen.-Materials Genome Initiative

Het team wilde het raamwerk uitvoerig testen, dus voerden ze de demonstratie uit in een gesloten computerplatform, kwantummechanica gebruiken om eigenschappen van MAX-fasen te voorspellen, die veelbelovende materialen zijn voor toepassingen bij hoge temperaturen, inclusief nieuwe oxidatiebestendige coatings voor turbinebladen van straalmotoren. De Texas A&M-groep past het raamwerk ook toe op de ontdekking van legeringen met vormgeheugen op hoge temperatuur die kunnen worden gebruikt om ruimtevaartvoertuigen te bouwen met veranderende vleugels, bijvoorbeeld.

Autonome innovatie

Er is al eerder veel onderzoek gedaan naar efficiënte technieken voor het ontwerpen van experimenten. Echter, dit team is de eerste die een Bayesiaanse techniek gebruikt (wat betekent dat ze de balans opmaken van alles wat bekend is over een materiaal/materiaalklasse en die kennis gebruiken om het beste materiaal te vinden) en dit op een autonome manier toepassen, continu zoeken, niet alleen naar de volgende beste berekening/experiment om uit te voeren, maar ook naar het beste model om de verkregen gegevens weer te geven.

"De versnelde verkenning van de materiaalruimte om configuraties met optimale eigenschappen te identificeren, is een voortdurende uitdaging, " zei Talapatra, die werkt als computerwetenschapper in het Computational Materials-laboratorium van Arroyave. "De huidige paradigma's zijn gecentreerd rond het idee om deze verkenning uit te voeren door middel van experimenten en / of berekeningen met hoge doorvoer. Die benaderingen houden geen rekening met de beperkingen in de beschikbare middelen. We hebben dit probleem aangepakt door materiaalontdekking in te kaderen als een optimaal experimentontwerp."

De methoden die in dit onderzoek worden gepresenteerd, zijn flexibel en aanpasbaar aan verschillende onderzoekssituaties. aanzienlijk, Het algoritme van Talapatra en Boluki kan werken met zeer weinig initiële gegevens, waardoor het ideaal is voor nieuw materiaalonderzoek.

Het algoritme is een slimmere stap voorwaarts in vergelijking met eerder werk in het veld. Andere algoritmen dwingen iemand om te beginnen met een vooraf gedefinieerd model, wat een beperking in het experiment introduceert en de resultaten kan vertekenen. "Ons algoritme kan automatisch en autonoom beslissen welk model het beste model is uit n modellen, op elk moment, afhankelijk van de verkregen gegevens, " zei Talapatra. Het autonome computerprogramma vermindert het aantal stappen en beperkt het gebruik van beperkte middelen. Aangezien het kan beginnen met slechts twee experimenten als initiële gegevenspunten, het algoritme is ideaal voor het optimaliseren van initiële experimenten en het onderscheiden van de beste weg voorwaarts.

Het kan door experimentatoren worden gebruikt als een hulpmiddel in één stap om eenvoudig te beslissen over het volgende materiaal om te onderzoeken, of als een puur computationeel hulpmiddel om dure rekenmodellen te vervangen en de rekenkosten te verlagen. Het kan ook worden gebruikt in een gecombineerde experimentele en computationele opstelling. Op z'n minst, dit raamwerk biedt een zeer efficiënte manier om de initiële dataset op te bouwen, aangezien het kan worden gebruikt om experimenten of berekeningen te begeleiden door te focussen op het verzamelen van gegevens in die delen van de materiaalontwerpruimte die zal resulteren in de meest efficiënte weg naar het verkrijgen van het optimale materiaal.

"Typisch, materiaalonderzoek gebeurt op een zeer ad-hoc manier en serendipiteit is de regel, eerder dan de uitzondering, " zei Talapatra. "Het probleem is dat je vaak niet weet wat de fundamentele fysica is waarom een ​​materiaal wel of niet werkt. Onze modellen zijn niet nauwkeurig genoeg. Wanneer je aan een materiaalontdekkingsreis begint, je begint met de zeer elementaire fysieke kennis, zoals het aantal elektronen en wat er gebeurt als de elementen samenkomen. Je moet de overeenkomsten tussen de kenmerken en de eigenschappen vinden."

"We hebben zoveel mogelijk wetenschap opgenomen in de (kunstmatige intelligentie) modellen, " zei Boluki, een promovendus die komend najaar zijn proefschrift verdedigt. Boluki en Talapatra werkten als uitvoerders in het project en codeerden het samen in python.

Het artikel over het algoritme is door vakgenoten beoordeeld, gepresenteerd op verschillende conferenties en goede feedback gegeven van de materiaalwetenschap en technische gemeenschap. Ingenieurs en wetenschappers van Texas A&M gebruiken het programma al.

Van celpathologie tot materiaalkunde:de wiskundige onderbouwing

In 2011, Qian en Dougherty begonnen samen te werken aan het verbeteren van het ontwerp van experimenten in biomedisch onderzoek. Ze gebruikten wiskundige modellen om te zien wanneer cellen naar het tumorstadium gaan.

Datzelfde jaar, federale beleidsmakers kondigden het Materials Genome Initiative aan, die tot doel heeft de ontdekking van nieuwe geavanceerde materialen te versnellen door het gebruik van computationele en experimentele tools samen met digitale gegevens te combineren. In de afgelopen acht jaar, landelijk, veel tijd, geld en middelen zijn geïnvesteerd in deze inspanning.

Qian and Dougherty turned their focus to materials science problems in 2013. The team started working on optimal design problems two years ago, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", in Physical Review Materials .