机器学习导航广阔的空间去发现新的高性能合金材料

一个活跃的学习算法发现了熵值的版本不胀钢合金,材料广泛用于科学仪器和工业运输液化气体的因为他们的微小的热膨胀。这项技术能够产生重大潜力巨大的搜索范围的潜在材料成分发现少量的属性。

1895年发现殷钢(不变的)——一个铁镍合金的热膨胀系数下降突然约30 - 45%的镍成分获得Charles-Edouard Guillaume国际度量衡局1920年诺贝尔物理学奖。然而,尽管它有特殊的热稳定性,其机械性能如强度和延性更令人印象深刻。选择“不胀钢合金”往往非常昂贵或有其他缺点。

最近研究人员已经开始寻找候选人中熵值合金——非常规混合物包含多个金属在很大比例,而不是一个主要因素。以前人们认为当你混合更多的元素在合金得到许多沉淀物,这些沉淀会使你的合金super-brittle不能用于任何应用程序,”解释了材料科学家探月饶大的铁研究所在杜塞尔多夫,德国。”但在2004年,科学家们发现当你有一定的特殊元素的组合可以得到一个坚实的解决方案——这是一个非常令人惊讶的结果。的问题是可能的熵值合金的成分空间实际上是无限的,所以用手寻找最佳值的组合收益率几乎是不特定的属性。

饶和同事领导的Dierk·拉伯因此使用了自优化机器学习算法。这些人工神经网络预测基于最初的实验数据集,比较他们的预测与实验数据和有效的自学来完善他们的预测,越来越广泛应用于化学和其他领域。然而,最初的实验数据集训练算法的不足。因此研究者使用一种“主动学习”的方法。“我们预测不仅仅是热膨胀系数:我们也预测的不确定性,”Rao解释道。我们做了实验与合金非常大的不确定性,通过这个我们可以改善我们的模型的性能。

从他们的初始数据集,算法挑选出1000潜在的承诺——但高度不确定候选人密度泛函理论等更复杂的计算筛选。那些看起来最有趣的然后把之前被添加到初始数据集的结果。最终研究人员发现两种熵值不胀钢合金的铁,镍,钴和铬与室温热膨胀系数与铁_65年倪₃₅——不胀钢的最佳组合。研究人员目前正在研究其他属性的材料。铬,例如,常被用来改善不锈钢的腐蚀行为,所以它可能比传统不胀钢合金腐蚀行为,”Rao说。

计算材料科学家Prasanna Balachandran在美国弗吉尼亚大学的说,“使用不确定性的概念来指导新材料的发现并不是新的,但是纯粹的浩瀚的搜索空间,他们可以在这个空间导航和发现潜在的有趣材料有更好的性能是值得注意的。他现在想了解更多关于什么是机器学习在每个后续步骤,指出从理论上预测热膨胀系数不一致与实验测量的非常好。“我们已经看到类似的结果在过去,”他说。“你不需要一个精确的模型来发现新的和意想不到的材料有更好的性能是一个谜。”