Het ontwikkelen van nieuwe materialen kost veel tijd, geld en moeite. Onlangs, een POSTECH-onderzoeksteam heeft een stap gezet in de richting van het creëren van nieuwe materialen door AI toe te passen om legeringen met hoge entropie (HEA's) te ontwikkelen die worden aangeduid als 'legeringen van legeringen'.

Een gezamenlijk onderzoeksteam onder leiding van professor Seungchul Lee, doctoraat kandidaat Soo Young Lee, Professor Hyungyu Jin en Ph.D. kandidaat Seokyeong Byeon van de afdeling Werktuigbouwkunde hebben samen met professor Hyoung Seop Kim van de afdeling Materials Science and Engineering samen een techniek ontwikkeld voor fasevoorspelling van HEA's met behulp van AI. De bevindingen van het onderzoek zijn gepubliceerd in het laatste nummer van Materialen en ontwerp , een internationaal tijdschrift over materiaalkunde.

Metaalmaterialen worden conventioneel gemaakt door het hoofdelement voor de gewenste eigenschap te mengen met twee of drie hulpelementen. In tegenstelling tot, HEA's worden gemaakt met gelijke of vergelijkbare verhoudingen van vijf of meer elementen zonder een hoofdelement. De soorten legeringen die op deze manier kunnen worden gemaakt, zijn theoretisch oneindig en hebben een uitzonderlijke mechanische, thermisch, fysiek, en chemische eigenschappen. Legeringen die bestand zijn tegen corrosie of extreem lage temperaturen, en legeringen met een hoge sterkte zijn al ontdekt.

Echter, tot nu, het ontwerpen van nieuwe legeringsmaterialen met hoge entropie was gebaseerd op vallen en opstaan, dus veel tijd en geld nodig. Het was zelfs nog moeilijker om vooraf de fase en de mechanische en thermische eigenschappen van de legering met hoge entropie in ontwikkeling te bepalen.

hieraan, het gezamenlijke onderzoeksteam richtte zich op het ontwikkelen van voorspellingsmodellen op HEA's met verbeterde fasevoorspelling en verklaarbaarheid met behulp van deep learning. Ze pasten deep learning toe vanuit drie perspectieven:modeloptimalisatie, gegevensgeneratie en parameteranalyse. Vooral, de focus lag op het bouwen van een dataversterkend model op basis van het conditionele generatieve adversarial netwerk. Hierdoor konden AI-modellen voorbeelden van HEA's weergeven die nog niet zijn ontdekt, waardoor de nauwkeurigheid van de fasevoorspelling wordt verbeterd in vergelijking met conventionele methoden.

In aanvulling, het onderzoeksteam ontwikkelde een beschrijvend AI-gebaseerd HEA-fasevoorspellingsmodel om de interpretatie van deep learning-modellen te bieden, die fungeert als een zwarte doos, terwijl het ook richtlijnen biedt voor belangrijke ontwerpparameters voor het maken van HEA's met bepaalde fasen.

"Dit onderzoek is het resultaat van het drastisch verbeteren van de beperkingen van bestaand onderzoek door AI op te nemen in HEA's die onlangs veel aandacht hebben getrokken, " merkte professor Seungchul Lee op. Hij voegde eraan toe:"Het is veelbetekenend dat de multidisciplinaire samenwerking van het gezamenlijke onderzoeksteam de resultaten heeft opgeleverd die de op AI gebaseerde fabricage van nieuwe materialen kunnen versnellen."

Professor Hyungyu Jin voegde er ook aan toe:"De resultaten van de studie zullen naar verwachting de tijd en kosten die nodig zijn voor het bestaande ontwikkelingsproces voor nieuwe materialen aanzienlijk verminderen, en om in de toekomst actief te worden gebruikt om nieuwe legeringen met hoge entropie te ontwikkelen."