Ученые успешно использовали машинное обучение для поиска оптимальной смеси металлов для создания желаемого сплава.

Большая группа исследователей обнаружила, что можно использовать машинное обучение, чтобы помочь металлургам найти оптимальная смесь металлов для создания желаемого сплава. Они таким путем нашли сплав с меньшим термическим коэффициентом, чем текущий рекорд.

Исследование проводилось учеными из Института исследования железа Общества Макса Планка, которые работали с коллегами из Дармштадтского технического университета, Делфтского технического университета и Королевского технологического института.

Люди смешивали металлы в соответствии со своими потребностями на протяжении тысячелетий и при этом многое узнали о создании сплавов. Но поиск правильного сочетания всегда требовал некоторой степени вдохновения, терпения и удачи. Таким образом, большинство сплавов было создано, начиная с одного основного металла, такого как железо, путем добавления небольшого количества других металлов, чтобы увидеть, какие характеристики получились.

Однако за последние несколько десятилетий ситуация начала меняться — некоторые исследователи начали создавать сплавы, содержащие равные части нескольких металлов. Создание таких сплавов с заданными характеристиками, конечно, гораздо сложнее. В этой новой работе исследователи применили машинное обучение, чтобы помочь в этом процессе. Они начали с того, что сократили пространство для испытаний только до одного приложения — создания сплавов, которые не сильно расширяются и сжимаются при воздействии температурных изменений.

Чтобы создать приложение для машинного обучения, исследователи искали и находили характеристики металлов, которые можно было бы использовать для целей сравнения, а затем обучали свою систему, используя информацию из доступных в настоящее время баз данных. При этом они разработали процесс поиска сплава, подходящего для желаемой цели.

Процесс команды был сужен до трех основных шагов: во-первых, они создали новые смеси, используя модели, основанные на информации, хранящейся в базе данных, описывающей характеристики металлов. Затем они использовали вторую модель, чтобы помочь предсказать свойства определенных сплавов, которые они создали на первом этапе. Последний шаг заключался в изучении сплавов-кандидатов, производимых системой, и выборе некоторых из них для испытаний в реальных условиях.

Используя свою систему, исследователи получили 1000 кандидатов, которые были сужены до трех сплавов. Затем они создали три сплава, используя смесь, описанную их системой, и проверили их физические свойства. Затем команда обучила систему на данных, полученных из реальных сплавов, и повторила весь процесс. В общей сложности они прогоняли его семь раз и нашли сплав с меньшим термическим коэффициентом, чем текущий рекорд.

В своей статье, опубликованной в журнале Science, группа описывает свой трехэтапный процесс и то, насколько хорошо он работал при тестировании. Ученые из Института изучения металлов Китайской академии наук опубликовали статью о перспективах в том же номере журнала, в которой описывается работа, проделанная командой над этим новым проектом.

Источник: Science X Network