Er is veel vraag naar superharde materialen in de industrie, van energieproductie tot ruimtevaart, maar het vinden van geschikte nieuwe materialen is grotendeels een kwestie van vallen en opstaan ​​geweest op basis van klassieke materialen zoals diamanten. Tot nu.

Onderzoekers van de University of Houston en Manhattan College hebben een machine learning-model gerapporteerd dat de hardheid van nieuwe materialen nauwkeurig kan voorspellen. waardoor wetenschappers gemakkelijker verbindingen kunnen vinden die geschikt zijn voor gebruik in een verscheidenheid aan toepassingen. Het werk werd gemeld in Geavanceerde materialen .

Materialen die superhard zijn - gedefinieerd als die met een hardheidswaarde van meer dan 40 gigapascal op de Vickers-schaal, wat betekent dat er meer dan 40 gigapascal druk nodig zou zijn om een ​​inkeping op het oppervlak van het materiaal achter te laten - zijn zeldzaam.

"Dat maakt het identificeren van nieuwe materialen uitdagend, " zei Jakoah Brgoch, universitair hoofddocent scheikunde aan de UH en corresponderende auteur van het artikel. "Dat is de reden waarom materialen zoals synthetische diamant nog steeds worden gebruikt, ook al zijn ze uitdagend en duur om te maken."

Een van de complicerende factoren is dat de hardheid van een materiaal kan variëren afhankelijk van de hoeveelheid uitgeoefende druk, bekend als belastingsafhankelijkheid. Dat maakt het testen van een materiaal experimenteel complex en het gebruik van computationele modellering tegenwoordig bijna onmogelijk.

Het door de onderzoekers gerapporteerde model overwint dat door de belastingsafhankelijke Vickers-hardheid uitsluitend op basis van de chemische samenstelling van het materiaal te voorspellen. De onderzoekers melden dat ze meer dan 10 nieuwe en veelbelovende stabiele borocarbide-fasen hebben gevonden; er wordt nu gewerkt aan het ontwerpen en produceren van de materialen, zodat ze in het laboratorium kunnen worden getest.

Op basis van de gerapporteerde nauwkeurigheid van het model, de kansen zijn goed. Onderzoekers rapporteerden de nauwkeurigheid van 97%.

Eerste auteur Ziyan Zhang, een promovendus aan de UH, zei dat de database die is gebouwd om het algoritme te trainen, is gebaseerd op gegevens met 560 verschillende verbindingen, elk levert verschillende datapunten op. Om de gegevens te vinden, moesten honderden gepubliceerde academische papers worden doorzocht om gegevens te vinden die nodig zijn om een ​​representatieve dataset op te bouwen.

"Alle goede machine learning-projecten beginnen met een goede dataset, " zei Brgoch, die ook hoofdonderzoeker is bij het Texas Center for Superconductivity aan de UH. "Het echte succes is grotendeels de ontwikkeling van deze dataset."

Naast Brgoch en Zhang, aanvullende onderzoekers van het project zijn onder meer Aria Mansouri Tehrani en Blake Day, beide met UH, en Anton O. Oliynyk van Manhattan College.

Onderzoekers hebben traditioneel machine learning gebruikt om een ​​enkele hardheidsvariabele te voorspellen, Brgoch zei, maar dat houdt geen rekening met de complexiteit van de eigenschap, zoals belastingafhankelijkheid, waarvan hij zei dat ze nog steeds niet goed worden begrepen. Dat maakt machine learning een goed hulpmiddel, ondanks eerdere beperkingen.

"Een machine learning-systeem hoeft de natuurkunde niet te begrijpen, " zei hij. "Het analyseert gewoon de trainingsgegevens en maakt nieuwe voorspellingen op basis van statistieken."

Machine learning heeft beperkingen, Hoewel.

"Het idee van het gebruik van machine learning wil niet zeggen:'Hier is het volgende grootste materiaal, ' maar om onze experimentele zoektocht te helpen begeleiden, "Zei Brgoch. "Het vertelt je waar je moet kijken."