Ingenieurs zijn altijd op zoek naar materialen met zeer specifieke eigenschappen voor hun projecten. Helaas, er zijn veel te veel opties voor onderzoekers om gewoon te raden en te controleren totdat ze vinden wat ze zoeken. Zelfs als ze materialen zouden simuleren, in plaats van ze in het laboratorium te testen, het zou veel te lang duren om een ​​geschikt materiaal te vinden.

Gelukkig, onderzoekers hebben algoritmen gemaakt met behulp van kunstmatige intelligentie die het juiste materiaal voor elk project zullen vinden. In een onlangs gepubliceerd artikel, een team van Carnegie Mellon University en University of Calgary-onderzoekers hebben een van deze algoritmen verbeterd, waardoor onderzoekers snel en nauwkeurig materialen met gewenste eigenschappen kunnen vinden.

"Omdat de ruimte van materialen zo enorm is, het is erg moeilijk om de materiaaleigenschappen experimenteel en computationeel te karakteriseren, " zei Amir Barati Farimani, een assistent-professor werktuigbouwkunde aan de CMU. "Dus we creëren algoritmen, of modellen, die de materiaaleigenschappen snel kan voorspellen."

Om kunstmatige intelligentie te gebruiken, of AI, onderzoekers moeten eerst het algoritme trainen met behulp van bekende gegevens. Vervolgens, het algoritme leert uit die informatie nieuwe ideeën te extrapoleren. Barati Farimani en zijn team trainden het algoritme met gegevens over de chemische samenstelling van materialen. Vooral, ze bevatten informatie over de rol die elektronen spelen bij het bepalen van materiaaleigenschappen. Deze chemische gegevens hebben een nieuwe materiaaldescriptor voor het algoritme gecreëerd, volgens Barati Farimani.

Aangezien dit algoritme de eigenschappen van een groot aantal materialen kan voorspellen, het heeft veel toepassingen. Bijvoorbeeld, het algoritme zou een materiaal kunnen vinden met thermische eigenschappen dat geschikt is voor zonnepanelen. Aanvullend, het kan materialen identificeren voor het maken van medicijnen en batterijen. Om dit algoritme te gebruiken, een onderzoeker kan eenvoudig de vooraf getrainde deep learning-modellen laten vinden waar ze naar op zoek zijn.

De manier waarop deze algoritmen worden verbeterd, is door sneller en nauwkeuriger te worden. Als het algoritme niet nauwkeurig genoeg is, de resultaten zullen onbruikbaar zijn. Als het algoritme te traag is, onderzoekers zullen nooit toegang hebben tot de resultaten. Momenteel, het team heeft ontdekt dat hun algoritme beter is dan andere toonaangevende algoritmen.

"Je kunt dit algoritme gebruiken en een deep learning-model trainen en ze in een fractie van een seconde voorspellen, "Zei Barati Farimani. "De essentie is om te bewijzen dat het voorspelt voor verschillende soorten materialen met een hoge nauwkeurigheid - dan kan elke industrie het gebruiken."

Hun paper werd gepubliceerd in Fysiek beoordelingsmateriaal . CMU postdoctoraal wetenschapper Mohammadreza Karamad, doctoraat student Rishikesh Magar, en onderzoeker Yuting Shi werden ook vermeld als co-auteurs. Andere auteurs zijn Samira Siahrostami en Ian D. Gates van de Universiteit van Calgary.