Meng twee of drie metalen en je krijgt een legering die er meestal uitziet en zich gedraagt ​​als een metaal, met zijn atomen gerangschikt in strakke geometrische patronen.

Maar af en toe, onder precies de juiste voorwaarden, je krijgt iets geheel nieuws:een futuristische legering genaamd metaalglas dat amorf is, met zijn atomen op elke manier gerangschikt, net als de atomen van het glas in een raam. Het glasachtige karakter maakt het sterker en lichter dan het beste staal van vandaag, plus het is beter bestand tegen corrosie en slijtage.

Hoewel metallisch glas veelbelovend is als beschermende coating en alternatief voor staal, slechts enkele duizenden van de miljoenen mogelijke combinaties van ingrediënten zijn de afgelopen 50 jaar geëvalueerd, en slechts een handvol ontwikkelde zich tot het punt dat ze nuttig kunnen worden.

Nu een groep onder leiding van wetenschappers van het SLAC National Accelerator Laboratory van het Department of Energy, het National Institute of Standards and Technology (NIST) en de Northwestern University hebben een kortere weg gerapporteerd voor het ontdekken en verbeteren van metallisch glas - en, door verlenging, andere ongrijpbare materialen — voor een fractie van de tijd en kosten.

De onderzoeksgroep maakte gebruik van een systeem bij SLAC's Stanford Synchrotron Radiation Lightsource (SSRL) dat machine learning - een vorm van kunstmatige intelligentie waarbij computeralgoritmen kennis verzamelen uit enorme hoeveelheden gegevens - combineert met experimenten die snel honderden monstermaterialen maken en screenen op een tijd. Hierdoor ontdekte het team drie nieuwe mengsels van ingrediënten die metaalglas vormen, en om dit 200 keer sneller te doen dan voorheen, ze meldden zich vandaag in wetenschappelijke vooruitgang .

"Het duurt meestal een decennium of twee om een ​​materiaal van ontdekking tot commercieel gebruik te krijgen, " zei Noordwest-professor Chris Wolverton, een vroege pionier in het gebruik van berekeningen en AI om nieuwe materialen te voorspellen en een co-auteur van het artikel. "Dit is een grote stap om die tijd in te korten. Je zou kunnen beginnen met niets meer dan een lijst met eigenschappen die je in een materiaal wilt hebben en, met behulp van AI, versmallen snel het enorme veld van potentiële materialen tot een paar goede kandidaten."

Het ultieme doel, hij zei, is om het punt te bereiken waarop een wetenschapper honderden monstermaterialen kan scannen, krijg bijna onmiddellijk feedback van machine learning-modellen en heb een nieuwe set monsters klaar om de volgende dag, of zelfs binnen het uur, te testen.

In de afgelopen halve eeuw is wetenschappers hebben ongeveer 6, 000 combinaties van ingrediënten die metaalglas vormen, toegevoegd papier co-auteur Apurva Mehta, een stafwetenschapper bij SSRL:"We hebben 20, 000 in één jaar."

Net begonnen

Terwijl andere groepen machine learning hebben gebruikt om voorspellingen te doen over waar verschillende soorten metallisch glas te vinden zijn, Mehta zei, "Het unieke dat we hebben gedaan, is om onze voorspellingen snel te verifiëren met experimentele metingen en de resultaten vervolgens herhaaldelijk terug te sturen naar de volgende ronde van machine learning en experimenten."

Er is genoeg ruimte om het proces nog sneller te laten verlopen, hij voegde toe, en uiteindelijk automatiseren om mensen helemaal uit de lus te halen, zodat wetenschappers zich kunnen concentreren op andere aspecten van hun werk die menselijke intuïtie en creativiteit vereisen. "Dit zal niet alleen gevolgen hebben voor synchrotron-gebruikers, maar over de hele materiaalwetenschap en scheikunde gemeenschap, ' zei Mehta.

Het team zei dat de methode nuttig zal zijn in allerlei experimenten, vooral bij het zoeken naar materialen zoals metallisch glas en katalysatoren waarvan de prestaties sterk worden beïnvloed door de manier waarop ze zijn vervaardigd, en die waar wetenschappers geen theorieën hebben om hun zoektocht te begeleiden. Met machinaal leren, er is geen voorafgaand begrip nodig. De algoritmen leggen zelf verbanden en trekken conclusies, en dit kan het onderzoek in onverwachte richtingen sturen.

"Een van de meer opwindende aspecten hiervan is dat we zo snel voorspellingen kunnen doen en experimenten zo snel kunnen omdraaien dat we het ons kunnen veroorloven om materialen te onderzoeken die niet voldoen aan onze normale vuistregels over de vraag of een materiaal een glas zal vormen of niet , " zei co-auteur Jason Hattrick-Simpers, een materiaalonderzoeker bij NIST. "AI gaat het landschap veranderen van hoe materiaalwetenschap wordt gedaan, en dit is de eerste stap."

Kracht in cijfers

Het artikel is het eerste wetenschappelijke resultaat dat is gekoppeld aan een door DOE gefinancierd proefproject waarbij SLAC samenwerkt met een AI-bedrijf in Silicon Valley, Citrien Informatica, om de manier waarop nieuwe materialen worden ontdekt te transformeren en de tools om dat te doen beschikbaar te maken voor wetenschappers overal.

Opgericht door voormalige afgestudeerde studenten van Stanford en Northwestern universiteiten, Citrine heeft een materiaalwetenschappelijk dataplatform gecreëerd waar gegevens die waren opgesloten in gepubliceerde artikelen, spreadsheets en lab-notebooks worden opgeslagen in een consistent formaat, zodat ze kunnen worden geanalyseerd met AI die speciaal is ontworpen voor materialen.

"We willen materiaal- en chemische gegevens gebruiken en deze effectief gebruiken om nieuwe materialen te ontwerpen en de productie te optimaliseren, " zei Greg Mulholland, oprichter en CEO van het bedrijf. "Dit is de kracht van kunstmatige intelligentie:naarmate wetenschappers meer gegevens genereren, het leert samen met hen, verborgen trends aan de oppervlakte te brengen en wetenschappers in staat te stellen hoogwaardige materialen veel sneller en effectiever te identificeren dan te vertrouwen op traditionele, puur mensgedreven materiaalontwikkeling."

Tot voor kort, nadenken, het maken en beoordelen van nieuwe materialen ging tergend langzaam. Bijvoorbeeld, de auteurs van het metaalglaspapier berekenden dat zelfs als je vijf mogelijke soorten metaalglas per dag zou kunnen koken en onderzoeken, elke dag van het jaar, het zou meer dan duizend jaar duren om door elke mogelijke combinatie van metalen te ploegen. Als ze een metalen glas ontdekken, onderzoekers worstelen om problemen te overwinnen die deze materialen tegenhouden. Sommige bevatten giftige of dure ingrediënten, en ze delen allemaal het broze glas, breekbare natuur.

In het afgelopen decennium is wetenschappers van SSRL en elders hebben manieren ontwikkeld om experimenten te automatiseren, zodat ze meer nieuwe materialen kunnen maken en bestuderen in minder tijd. Vandaag, sommige SSRL-gebruikers kunnen bijna zodra ze uitkomen een voorlopige analyse van hun gegevens krijgen met AI-software die is ontwikkeld door SSRL in samenwerking met Citrine en het CAMERA-project van het Lawrence Berkeley National Laboratory van DOE.

"Met deze geautomatiseerde systemen kunnen we meer dan 2, 000 monsters per dag, " zei Fang Ren, hoofdauteur van de krant, die als postdoctoraal onderzoeker bij SLAC algoritmen ontwikkelde om gegevens on-the-fly te analyseren en hun integratie in het systeem coördineerde.

Experimenteren met gegevens

In de studie met metaalglas, het onderzoeksteam onderzocht duizenden legeringen die elk drie goedkope, niet-toxische metalen.

Ze begonnen met een schat aan materiaalgegevens die meer dan 50 jaar teruggaan, inclusief de resultaten van 6, 000 experimenten die naar metallisch glas zochten. Het team kamde de gegevens door met geavanceerde machine learning-algoritmen die zijn ontwikkeld door Wolverton en afgestudeerde student Logan Ward van Northwestern.

Op basis van wat de algoritmen in deze eerste ronde hebben geleerd, de wetenschappers maakten twee sets monsterlegeringen met behulp van twee verschillende methoden, waardoor ze kunnen testen hoe productiemethoden van invloed zijn op de vraag of een legering in een glas verandert.

Beide sets legeringen werden gescand door een SSRL-röntgenstraal, de gegevens die in de Citrine-database worden ingevoerd, en nieuwe machine learning-resultaten gegenereerd, die werden gebruikt om nieuwe monsters voor te bereiden die een nieuwe scan- en machine learning-ronde ondergingen.

In de derde en laatste ronde van het experiment, Mehta zei, het slagingspercentage van de groep voor het vinden van metallisch glas was gestegen van één op de 300 of 400 geteste monsters tot één op de twee of drie geteste monsters. De metalen glasmonsters die ze identificeerden, vertegenwoordigden drie verschillende combinaties van ingrediënten, waarvan er twee nog nooit eerder waren gebruikt om metaalglas te maken.