Keeawayt
- Tutkijat ovat kuvanneet menetelmän, joka käyttää tekoälyä uusien harvinaisten maametallien löytämiseen.
- Harvinaisten maametallien yhdisteitä löytyy monista korkean teknologian tuotteista, kuten matkapuhelimista, kelloista ja tableteista.
- Tekoälyä voidaan soveltaa monilla aloilla, joilla ongelmat ovat niin monimutkaisia, että tiedemiehet eivät voi kehittää tavanomaisia ratkaisuja matematiikan tai tunnetun fysiikan simulaatioiden avulla.
Uusi menetelmä harvinaisten maametallien löytämiseksi tekoälyn avulla voi johtaa löytöihin, jotka mullistavat henkilökohtaisen elektroniikan, asiantuntijat sanovat.
Ames Laboratoryn ja Texas A&M Universityn tutkijat kouluttivat koneoppimismallin (ML) arvioimaan harvinaisten maametallien stabiiliutta. Harvinaisilla maametallilla on monia käyttötarkoituksia, kuten puhdas energiateknologia, energian varastointi ja kestomagneetit.
"Uudet yhdisteet voivat mahdollistaa tulevaisuuden teknologioita, joita emme vielä edes ymmärrä", projektin valvoja Yaroslav Mudryk kertoi Lifewirelle sähköpostihaastattelussa.
Mineraalien löytäminen
Uusien yhdisteiden etsinnän parantamiseksi tutkijat käyttivät koneoppimista, tekoälyn muotoa, jota ohjaavat tietokonealgoritmit, jotka paranevat tiedon käytön ja kokemuksen ansiosta. Tutkijat käyttivät myös korkean suorituskyvyn seulontaa, laskennallista järjestelmää, jonka avulla tutkijat voivat testata satoja malleja nopeasti. Heidän työnsä kuvattiin äskettäin Acta Materialiassa julkaistussa artikkelissa.
Ennen tekoälyä uusien materiaalien löytäminen perustui pääasiassa yrityksen ja erehdyksen perusteella, Prashant Singh, yksi tiimin jäsenistä, sanoi Lifewirelle lähettämässään sähköpostissa. Tekoäly ja koneoppiminen antavat tutkijoille mahdollisuuden käyttää materiaalitietokantoja ja laskentatekniikoita uusien ja olemassa olevien yhdisteiden kemiallisen stabiilisuuden ja fysikaalisten ominaisuuksien kartoittamiseen.
"Esimerkiksi vasta löydetyn materiaalin vieminen laboratoriosta markkinoille voi kestää 20-30 vuotta, mutta AI/ML voi merkittävästi nopeuttaa tätä prosessia simuloimalla materiaalin ominaisuuksia tietokoneilla ennen kuin astut laboratorioon", Singh sanoi.
AI mullistaa ajattelumme monien näiden moniulotteisten monimutkaisten ongelmien ratkaisemisesta, ja se avaa uuden tavan ajatella tulevaisuuden mahdollisuuksia.
AI päihittää vanhemmat menetelmät uusien yhdisteiden löytämisessä, Joshua M. Pearce, John M. Thompsonin tietotekniikan ja innovaatioiden johtaja Western Universitystä, sanoi sähköpostihaastattelussa.
"Mahdollisten yhdisteiden, yhdistelmien, komposiittien ja uusien materiaalien määrä on hämmästyttävä", hän lisäsi. "Tekoälyn avulla voidaan ennustaa hyödyllisiä ominaisuuksia sisältäviä materiaaleja sen sijaan, että käyttäisit aikaa ja rahaa jokaisen valmistamiseen ja seulomiseen tiettyä sovellusta varten. Sitten tiedemiehet voivat keskittää ponnistelunsa."
Markus J. Buehler, McAfeen tekniikan professori MIT:stä, sanoi sähköpostihaastattelussa, että uusi paperi osoittaa koneoppimisen voiman.
"Se on dramaattisesti erilainen tapa tehdä tällaisia löytöjä kuin mitä olemme tehneet aiemmin - löydöt ovat nyt nopeampia, tehokkaampia ja voidaan kohdentaa paremmin sovelluksiin", Buehler sanoi. "Singhin ym. työssä on jännittävää, että he yhdistävät huippuluokan materiaalityökalut (Density Functional Theory, tapa ratkaista kvanttiongelmia) materiaaliinformatiikan työkaluihin. Se on ehdottomasti tapa, jota voidaan soveltaa moniin muihin materiaalisuunnitteluun. ongelmia."
Loputtomia mahdollisuuksia
Harvinaisten maametallien yhdisteitä löytyy monista korkean teknologian tuotteista, kuten matkapuhelimista, kelloista ja tableteista. Esimerkiksi näytöissä näitä yhdisteitä lisätään materiaaleihin, joilla on erittäin kohdennettuja optisia ominaisuuksia. Niitä käytetään myös matkapuhelimesi kamerassa.
"Ne ovat jollain tapaa eräänlaista ihmemateriaalia, joka toimii tärkeänä elementtinä nykyaikaisessa sivilisaatiossa", Buehler sanoi. "Haasteita on kuitenkin siinä, miten niitä louhitaan ja miten niitä toimitetaan. Siksi meidän on tutkittava parempia tapoja joko käyttää niitä tehokkaammin tai korvata toiminnot uusilla vaihtoehtoisten materiaalien yhdistelmillä."
Uuden paperin tekijöiden käyttämästä koneoppimislähestymistavasta voi hyötyä paitsi mineraaliyhdisteistä. Tekoälyä voidaan soveltaa monilla aloilla, joilla ongelmat ovat niin monimutkaisia, että tiedemiehet eivät voi kehittää perinteisiä ratkaisuja matematiikan tai tunnetun fysiikan simulaatioiden avulla, Buehler sanoi.
"Meillä ei loppujen lopuksi vielä ole oikeita malleja yhdistää materiaalin rakenne sen ominaisuuksiin", hän lisäsi. "Yksi alue on biologiassa, erityisesti proteiinien laskostumisessa. Miksi jotkut proteiinit pienen geneettisen muutoksen jälkeen johtavat sairauksiin? Kuinka voimme kehittää uusia kemiallisia yhdisteitä sairauksien hoitoon tai uusia lääkkeitä?"
Toinen mahdollisuus on löytää tapa parantaa betonin suorituskykyä sen hiilivaikutuksen vähentämiseksi, Buehler sanoi. Esimerkiksi materiaalin molekyyligeometria voitaisiin järjestää eri tavalla materiaalien tehostamiseksi, jotta meillä on enemmän lujuutta pienemmällä materiaalinkäytöllä ja materiaalit kestävät pidempään.
"Tekoäly mullistaa ajattelumme monien näiden moniulotteisten monimutkaisten ongelmien ratkaisemisesta, ja se avaa uuden tavan ajatella tulevaisuuden mahdollisuuksia", hän lisäsi. "Olemme vasta jännittävän ajan alussa."
