Група вчених із Національного університету стандартів та технології та Північно-Західного Університету США вперше застосували технологію глибинного машинного навчання для розробки нового сплаву з властивостями склоподібного матеріалу.
Дослідження може допомогти створити в майбутньому матеріали, які будуть поєднувати в собі переваги металевих та неметалевих матеріалів.
Що таке аморфні сплави?
Тверді тіла можуть мати кристалічну чи аморфну структуру. Різниця полягає у тому, що в першому випадку в структурі матеріалу присутній дальній порядок розташування молекул, тобто в усьому об’ємі матеріалу можна прослідкувати єдиний порядок розташування молекул, коли у другому – якусь систему можна простежити лише між сусідніми атомами.
Усі метали мають кристалічну будову. Вона визначає їхню високу міцність, крихкий спосіб руйнування, високу електропровідність та ряд інших властивостей. Більшість сплавів теж мають кристалічну будову. Але серед них є й такі, що за певних умов можуть утворювати не кристалічну, а аморфну структуру. Найпростіший спосіб досягти цього – швидке охолодження, аналогічне тому, завдяки якому отримують скло.
Власне, металевим склом такі аморфні сплави й називають. Металеве скло цікавить людство вже більш як 40 років. Характерною його особливістю є те, що висока міцність аморфного сплаву поєднується з високою в’язкістю, тобто при перевищенні певної межі деталь із такого металу не руйнується повністю, а тільки деформується. Крім того, металеве скло може бути легшим і більш корозійностійким, ніж кристалічний сплав того самого складу.
Складність експериментів
Разом із тим, виділити серед безлічі можливих сплавів ті, які будуть мати перспективні властивості дуже складно. Справа не тільки в тому, що для кожного експерименту необхідно застосовувати такі непрості методи як гартування, вакуумне напилення чи опромінення частинками. Значна частина видів металевого скла являє собою сплав не двох, а декількох металів чи напівметалів. При цьому важливо не тільки те, які метали були взяті, але і їхній відсотковий вміст. Тож, повну інформацію про те, які комбінації трьох компонентів є металевим склом, можна встановити лише за допомогою потрійної діаграми стану або тернарного графіка.
Процес отримання нових склоподібних сплавів настільки складний, що за останні півстоліття з мільйонів можливих матеріалів було винайдено лише близько 6 000. Дослідники буквально тонули у величезному потоці наукової інформації та не знали, куди їм рухатися. Але велика група вчених та інженерів одразу з кількох дослідницьких, освітніх та ІТ-організацій на Західному узбережжі США змогли побудувати систему, яка дозволила їм досліджувати до 2 000 зразків перспективних матеріалів на добу.
До складу системи увійшло джерело синхротронного випромінювання SPEAR3, яке являє собою модернізований електрон-позитронний колайдер та система штучного інтелекту, розроблена компанією Citrine Informatics. Ця компанія була заснована випускниками тих же Північно-Західного університету та Стенфорду, та з самого початку була націлена на розробку штучного інтелекту для наукових досліджень.
Порівняння прогнозів машинних алгоритмів та експериментальних даних щодо структури металевого скла. Джерело: Yvonne Tang / SLAC National Accelerator Laboratory
Усе починається з того, що зразки нових сплавів опромінюють, завдяки чому вдається отримати інформацію про їхню будову у цифровій формі. А далі в діло йде система штучного інтелекту, заснована на технології глибинного навчання, яку розробила співробітниця Стенфордського університету Фанг Рен.
Глибинне навчання – це технологія навчання нейромереж, при якій останню навчають приймати рішення на великій кількості попередніх вхідних та вихідних даних, коли різні ознаки аналізуються в різних шарах прийняття рішень, причому співвідношення між цими шарами є ієрархічним.
Тож Фанг Рен та дослідники з Citrine Informatics навчили подібну систему на всьому тому неймовірному обсязі інформації, який було отримано в результаті 6 000 експериментів, проведених за останні півстоліття. В результаті штучний інтелект навчився робити припущення про те, який матеріал буде утворювати металеве скло, а який ні.
Фанг Рен у Національній прискорювальній лабораторії SLAC. Джерело: Dawn Harmer/SLAC National Accelerator Laboratory
Цінність системи полягає у тому, що дослідники виключенні не тільки з самого процесу проведення експериментів (усі операції там автоматизовані), але й з процесу рутинної обробки “сирих” даних. Штучний інтелект сам визначає, чи є матеріал аморфним, а також надає “пропозиції” про те, яку комбінацію матеріалів можна дослідити наступного разу.
Завдяки застосуванню цієї системи вдалося підвищити результативність досліджень з одного нового металевого скла на 300-400 зразків до одного – на два зразки. Завдяки цьому, зокрема, вдалося отримати нове металеве скло з трьох компонентів, два з яких раніше ніколи не використовувалися для виготовлення подібних матеріалів.
Схематичне зображення простої та багатошарової нейронної мережі з глибинним навчанням.
У матеріалознавстві та хімії існує ще чимало завдань, для вирішення яких необхідно провести величезну кількість експериментів, а обсяг інформації з цих експериментів здатний звести з розуму будь-якого дослідника. Однак у систем, побудованих на принципі глибинного навчання, схоже таких проблем немає. Чим більше вхідних даних – тим точніші та більш складні припущення вони зможуть висувати. І цілком можливо, що серед них будуть і такі, до яких люди ніколи б не дійшли самотужки.
Science Advances (2018), doi: 10.1126/sciadv.aaq1566
Якщо ви знайшли помилку, будь ласка, виділіть фрагмент тексту та натисніть Ctrl+Enter.