یادگیری ماشینی این پتانسیل را دارد که به طور قابل توجهی سرعت جستجو برای فلزات جدید را افزایش دهد.
بر اساس یک مطالعه اخیر، یادگیری ماشینی می تواند به ایجاد انواع فلزات جدید با ویژگی های سودمند مانند مقاومت در برابر زنگ زدگی و دمای بالا کمک کند. صنایع مختلف می توانند از این امر بهره مند شوند. به عنوان مثال، فضاپیماها را می توان با فلزاتی که در دماهای پایین تر به خوبی کار می کنند، بهبود بخشید، در حالی که قایق ها و زیردریایی ها می توانند از فلزات مقاوم در برابر خوردگی بهره مند شوند. در حال حاضر، تلاش برای تولید فلزات جدید بیشتر در آزمایشگاه ها توسط دانشمندان انجام می شود. به طور معمول، آنها با یک عنصر شناخته شده شروع می شوند، مانند آهن، که به راحتی در دسترس و چکش خوار است، و سپس یک یا دو عنصر دیگر را برای بررسی چگونگی تاثیر آن بر مواد پایه اضافه می کنند. آزمون و خطا فرآیند سختی است که همواره شکست های بیشتری نسبت به نتایج موفقیت آمیز ایجاد می کند.
با این حال، آخرین گزارش، که به تازگی در Science منتشر شده است، نشان می‌دهد که محققان می‌توانند با دقت بیشتری پیش‌بینی کنند که کدام ترکیب فلزی با استفاده از هوش مصنوعی پتانسیل را نشان می‌دهد. با استفاده از این تکنیک، محققان موسسه ماکس پلانک توانستند ۱۷ فلز جدید جالب را کشف کنند. “Invar“که میزان انبساط یا انقباض مواد را هنگام قرار گرفتن در معرض دماهای بالا یا پایین توصیف می کند، چیزی بود که تیم در فلزات به دنبال آن بود. فلزات کم اینور در دماهای بالا از نظر اندازه منبسط یا منقبض نمی شوند.
از طریق ترکیبی از هوش مصنوعی و آزمایشات آزمایشگاهی، تیم موفق به کشف این فلزات جدید شد. اول، آنها باید بر یک مانع بزرگ غلبه می کردند: کمبود داده های موجود برای مدل های یادگیری ماشینی که باید آموزش داده شوند. این اطلاعات توسط سیستم هوش مصنوعی برای پیش‌بینی ظهور فلزات جدید با اینور کم استفاده شد. یافته‌های اندازه‌گیری‌ها پس از تولید آن فلزات در آزمایشگاه توسط محققان به مدل یادگیری ماشینی بازگردانده شد. محققان ترکیبات فلزی پیشنهادی را آزمایش کردند، نتایج را به مدل برگرداندند، و به همین ترتیب تا زمانی که ۱۷ فلز جدید بالقوه ظاهر شوند.
نتایج ممکن است راه را برای کاربردهای یادگیری ماشین بیشتر در زمینه علم مواد، که در حال حاضر عمدتاً به آزمایش آزمایشگاهی بستگی دارد، باز کند. علاوه بر این، به گفته متخصصان علم مواد، روش استفاده از یادگیری ماشین برای تولید پیش‌بینی‌هایی که متعاقباً در آزمایشگاه تأیید می‌شوند، ممکن است برای کشف در حوزه‌های دیگر مانند شیمی و فیزیک اصلاح شود. به گفته مایکل تیتوس، استادیار مهندسی مواد در دانشگاه پردو که در این تحقیق شرکت نداشت، ارزش آن را دارد که روش متعارفی را که معمولاً توسط آن ترکیبات جدید تولید می‌شود، بررسی کنیم تا بفهمیم چرا این یک پیشرفت مهم است. آزمایش در آزمایشگاه پر زحمت و بی اثر است.
به گفته تیتوس، یافتن مواد با کیفیت منحصر به فرد واقعاً مانند یافتن یک سوزن در انبار کاه است. او مکرراً به دانشجویان فارغ‌التحصیل جدید خود اطلاع می‌دهد که احتمالاً یک میلیون ماده جدید بالقوه وجود دارد که در انتظار یافتن هستند. یادگیری ماشینی ممکن است در انتخاب جهت مطالعه کمک کند.
این تیم امیدوار است در آینده با کمک یادگیری ماشین آلیاژهای جدیدی با چندین ویژگی مطلوب پیدا کند.
بر اساس یک مطالعه اخیر، یادگیری ماشینی می تواند به ایجاد انواع فلزات جدید با ویژگی های سودمند مانند مقاومت در برابر زنگ زدگی و دمای بالا کمک کند. صنایع مختلف می توانند از این امر بهره مند شوند. به عنوان مثال، فضاپیماها را می توان با فلزاتی که در دماهای پایین تر به خوبی کار می کنند، بهبود بخشید، در حالی که قایق ها و زیردریایی ها می توانند از فلزات مقاوم در برابر خوردگی بهره مند شوند. در حال حاضر، تلاش برای تولید فلزات جدید بیشتر در آزمایشگاه ها توسط دانشمندان انجام می شود. به طور معمول، آنها با یک عنصر شناخته شده شروع می شوند، مانند آهن، که به راحتی در دسترس و چکش خوار است، و سپس یک یا دو عنصر دیگر را برای بررسی چگونگی تاثیر آن بر مواد پایه اضافه می کنند. آزمون و خطا فرآیند سختی است که همواره شکست های بیشتری نسبت به نتایج موفقیت آمیز ایجاد می کند.
با این حال، آخرین گزارش، که به تازگی در Science منتشر شده است، نشان می‌دهد که محققان می‌توانند با دقت بیشتری پیش‌بینی کنند که کدام ترکیب فلزی با استفاده از هوش مصنوعی پتانسیل را نشان می‌دهد. با استفاده از این تکنیک، محققان موسسه ماکس پلانک توانستند ۱۷ فلز جدید جالب را کشف کنند. “Invar“که میزان انبساط یا انقباض مواد را هنگام قرار گرفتن در معرض دماهای بالا یا پایین توصیف می کند، چیزی بود که تیم در فلزات به دنبال آن بود. فلزات کم اینور در دماهای بالا از نظر اندازه منبسط یا منقبض نمی شوند.
از طریق ترکیبی از هوش مصنوعی و آزمایشات آزمایشگاهی، تیم موفق به کشف این فلزات جدید شد. اول، آنها باید بر یک مانع بزرگ غلبه می کردند: کمبود داده های موجود برای مدل های یادگیری ماشینی که باید آموزش داده شوند. این اطلاعات توسط سیستم هوش مصنوعی برای پیش‌بینی ظهور فلزات جدید با اینور کم استفاده شد. یافته‌های اندازه‌گیری‌ها پس از تولید آن فلزات در آزمایشگاه توسط محققان به مدل یادگیری ماشینی بازگردانده شد. محققان ترکیبات فلزی پیشنهادی را آزمایش کردند، نتایج را به مدل برگرداندند، و به همین ترتیب تا زمانی که ۱۷ فلز جدید بالقوه ظاهر شوند.
نتایج ممکن است راه را برای کاربردهای یادگیری ماشین بیشتر در زمینه علم مواد، که در حال حاضر عمدتاً به آزمایش آزمایشگاهی بستگی دارد، باز کند. علاوه بر این، به گفته متخصصان علم مواد، روش استفاده از یادگیری ماشین برای تولید پیش‌بینی‌هایی که متعاقباً در آزمایشگاه تأیید می‌شوند، ممکن است برای کشف در حوزه‌های دیگر مانند شیمی و فیزیک اصلاح شود. به گفته مایکل تیتوس، استادیار مهندسی مواد در دانشگاه پردو که در این تحقیق شرکت نداشت، ارزش آن را دارد که روش متعارفی را که معمولاً توسط آن ترکیبات جدید تولید می‌شود، بررسی کنیم تا بفهمیم چرا این یک پیشرفت مهم است. آزمایش در آزمایشگاه پر زحمت و بی اثر است.
به گفته تیتوس، یافتن مواد با کیفیت منحصر به فرد واقعاً مانند یافتن یک سوزن در انبار کاه است. او مکرراً به دانشجویان فارغ‌التحصیل جدید خود اطلاع می‌دهد که احتمالاً یک میلیون ماده جدید بالقوه وجود دارد که در انتظار یافتن هستند. یادگیری ماشینی ممکن است در انتخاب جهت مطالعه کمک کند.
این تیم امیدوار است در آینده با کمک یادگیری ماشین آلیاژهای جدیدی با چندین ویژگی مطلوب پیدا کند.
کد خبر ۲۱۵۰۱۰۸۰۹.۰۰۹
