Искусственный интеллект определяет оптимальную материальную формулу
banner
banner
banner
banner

Искусственный интеллект определяет оптимальную материальную формулу

19
Artificial intelligence identifies optimal material formula

Наноструктурные слои обладают бесчисленными потенциальными свойствами, но как определить наиболее подходящий из них без каких-либо длительных экспериментов? Команда из Отдела обнаружения материалов в Ruhr-Universität Bochum (RUB) рискнула: с помощью алгоритма машинного обучения исследователи смогли надежно предсказать свойства такого слоя. Их отчет был опубликован в новом журнале Материалы связи от 26 Марш 2020.

пористые или плотные, колонны или волокна

При изготовлении тонких пленок многочисленные управляющие переменные определяют состояние поверхности и, следовательно, ее свойства. Соответствующие факторы включают состав слоя, а также условия процесса его формирования, такие как температура. Все эти элементы, соединенные вместе, приводят к образованию либо пористого, либо плотного слоя в процессе нанесения покрытия, причем атомы объединяются в столбцы или волокна. «Чтобы найти оптимальные параметры для приложения, раньше было необходимо проводить бесчисленное множество экспериментов в разных условиях и с разными составами; это невероятно сложный процесс», – объясняет профессор Альфред Людвиг, руководитель отдела обнаружения материалов и интерфейсов. .

Результаты, полученные в результате таких экспериментов, представляют собой так называемые диаграммы структурных зон, из которых поверхность определенного состава в результате определенных параметров процесса могут быть прочитаны. «Опытные исследователи могут впоследствии использовать такую ​​диаграмму, чтобы определить наиболее подходящее место для приложения и получить параметры, необходимые для создания подходящего слоя», – указывает Людвиг. «Весь процесс требует огромных усилий и занимает много времени.»

Алгоритм предсказывает поверхность

Стремясь найти кратчайший путь к оптимальному материалу, команда воспользовалась искусственным интеллектом, точнее машинным обучением. Для этого к.т.н. Исследователь Ларс Банко вместе с коллегами из Междисциплинарного центра современного моделирования материалов в рубрике Icams для краткости модифицировал так называемую генеративную модель. Затем он обучил этот алгоритм для генерации изображений поверхности тщательно исследованного модельного слоя алюминия, хрома и азота с использованием конкретных параметров процесса, чтобы предсказать, как этот слой будет выглядеть в соответствующих условиях.

«Мы снабдили алгоритм достаточным количеством экспериментальных данных для его обучения, но не всеми известными данными “подчеркивает Ларс Банко. Таким образом, исследователи смогли сравнить результаты расчетов с результатами экспериментов и проанализировать, насколько надежным был их прогноз. Результаты были убедительными: «Мы объединили пять параметров и смогли смотреть в пяти направлениях одновременно, используя алгоритм – без необходимости проводить какие-либо эксперименты», – подчеркивает Альфред Людвиг. «Таким образом, мы показали, что методы машинного обучения могут быть перенесены в исследование материалов и могут помочь в разработке новых материалов для конкретных целей».


0
Article Tags:

Оставьте комментарий

Интересное на сайте