Een nieuwe machinale leertechniek zal onderzoekers in staat stellen te voorspellen hoe materialen zullen werken voordat ze het moeilijke en tijdrovende proces van het testen ervan doorlopen.

Het team, geleid door wetenschappers van de Universiteit van Cambridge, ontwikkelde een ‘multi-fidelity’ machine-learning-aanpak om de eigenschappen van materialen te voorspellen. Deze methode combineerde informatie over de structuur van het materiaal, verkregen met behulp van computationele technieken, met experimentele metingen om nauwkeurige voorspellende modellen te bouwen met behulp van deep-learning-algoritmen.

De wetenschappers testten de multi-fidelity-aanpak op vier materialen:staallegeringen, legeringen met een hoge entropie, thermo-elektrische materialen en metaal-organische raamwerken. Ze toonden aan dat hun methode state-of-the-art prestaties leverde bij het voorspellen van de eigenschappen van deze materialen.

Voor staallegeringen voorspelde het multi-fidelity-model bijvoorbeeld de vloeigrens van het materiaal met een gemiddelde absolute fout (MAE) van slechts 1,8%, vergeleken met 4,5% voor de beste eerdere methode. Voor legeringen met een hoge entropie voorspelde het multi-fidelity-model de Vickers-hardheid van het materiaal met een MAE van 2,3%, vergeleken met 5,8% voor de beste eerdere methode.

“Machine-learning technieken kunnen de eigenschappen van materialen voorspellen en de tijd en kosten van het ontdekken van materialen aanzienlijk verminderen”, zegt co-eerste auteur Dr. Hao Wu van het Department of Materials Science &Metallurgy in Cambridge. “Maar als machine learning hierin kan voorzien Om high-fidelity, computationeel efficiënte voorspellingen te kunnen doen, moeten we meerdere complementaire informatiebronnen combineren, zoals op fysica gebaseerde modellen en experimentele metingen.”

Het ontdekken en ontwikkelen van materialen omvat momenteel een iteratieve cyclus van materiaalsynthese, experimenten om materiaaleigenschappen te meten en kostbare computersimulaties om de onderliggende mechanismen te begrijpen. Deze aanpak is tijdrovend, duur en inefficiënt, en vereist doorgaans menselijke experts met diepgaande kennis van natuur- of scheikunde.

De nieuwe multi-fidelity machine-learning-aanpak stroomlijnt het ontwerpproces door efficiënt de meest veelbelovende materiaalkandidaten te identificeren zonder veel tijdrovende experimenten of hifi-berekeningen uit te hoeven voeren.

"Een typische high-fidelity computationele simulatie kan een week of zelfs maanden in beslag nemen", zegt co-eerste auteur Dr. Xiaoqing Huang van het Department of Materials Science &Metallurgy. "Als we honderden materialen willen onderzoeken, is dat praktisch onhaalbaar om voor allemaal high-fidelity computationele resultaten te verkrijgen. Ons multi-fidelity deep-learning raamwerk ondervangt dit door gebruik te maken van goedkope, op fysica gebaseerde simulaties en experimentele metingen om het leren van high-fidelity modellen te begeleiden.”

Door de tijd en kosten die gepaard gaan met het ontdekken van materialen aanzienlijk te verminderen, kan de nieuwe multi-fidelity machine learning-techniek de ontwikkeling van nieuwe en verbeterde materialen voor een breed scala aan toepassingen versnellen, waaronder energieopslag, katalyse en ruimtevaart.

"Wij geloven dat onze aanpak niet alleen doorbraken in de ontdekking en ontwikkeling van materialen mogelijk kan maken, maar ook de computationele wetenschap en het ontwerp in andere disciplines, zoals scheikunde, biologie en farmaceutisch onderzoek, ten goede kan komen", aldus senior auteur professor Li Yang van het Department of Materials Science &Metallurgie. “We hopen dat dit werk de weg zal vrijmaken voor het integreren van simulaties en experimenten op meerdere schaal in een datagestuurd raamwerk voor wetenschappelijk onderzoek en technisch ontwerp.”