Сверхтвердые материалы пользуются большим спросом в промышленности, от энергетики до аэрокосмической, но поиск подходящих новых материалов в значительной степени был делом проб и ошибок на основе классических материалов, таких как алмазы. До настоящего времени.
Исследователи из Хьюстонского университета и Манхэттенского колледжа сообщили о модели машинного обучения, которая может точно прогнозировать твердость новых материалов, что позволяет ученым с большей легкостью находить соединения, подходящие для использования в различных областях.
Сверхтвердые материалы, определяемые как материалы со значением твердости, превышающим 40 гигапаскалей по шкале Виккерса, что означает, что для того, чтобы оставить след на поверхности материала, требуется давление более 40 гигапаскалей, встречаются редко.
«Это затрудняет идентификацию новых материалов», - сказал Джакоа Бргох, доцент химии Хьюстонского университета и автор статьи. «Вот почему такие материалы, как синтетический алмаз, все еще используются, хотя их производство сложно и дорого».
Одним из усложняющих факторов является то, что твердость материала может варьироваться в зависимости от величины приложенного давления, что известно как зависимость от нагрузки. Это делает тестирование материала экспериментально сложным, а использование компьютерного моделирования сегодня практически невозможно.
Модель, представленная исследователями, преодолевает это, предсказывая зависящую от нагрузки твердость по Виккерсу, основанную исключительно на химическом составе материала. Исследователи сообщают об обнаружении более 10 новых и многообещающих стабильных борокарбидных фаз. В настоящее время ведутся работы по разработке и производству материалов, которые могут быть протестированы в лаборатории.
Судя по точности модели, шансы хорошие. Исследователи сообщили о точности 97%.
Первый автор Зиян Чжан, докторант Хьюстонского университета, сказал, что база данных, созданная для обучения алгоритму, основана на данных, включающих 560 различных соединений, каждое из которых дает несколько точек данных. Для поиска данных потребовалось изучить сотни опубликованных научных статей, чтобы найти данные, необходимые для создания репрезентативного набора данных.
«Все хорошие проекты машинного обучения начинаются с хорошего набора данных», - сказал Бргох, который также является главным исследователем Техасского центра сверхпроводимости в Хьюстонском университете. «Истинный успех - это во многом разработка этого набора данных».
По словам Бргоха, исследователи традиционно использовали машинное обучение для прогнозирования одной переменной твердости, но при этом не учитываются такие сложности свойства, как зависимость от нагрузки, которые, по его словам, до сих пор недостаточно изучены. Это делает машинное обучение хорошим инструментом, несмотря на предыдущие ограничения.
«Системе машинного обучения не обязательно понимать физику», - сказал он. «Она просто анализирует данные обучения и делает новые прогнозы на основе статистики».
Однако у машинного обучения есть ограничения. «Идея использования машинного обучения заключается не в том, чтобы сказать: «Вот следующий лучший материал», а в том, чтобы помочь нам в экспериментальном поиске», - сказал Бргох. «Она говорит вам, где вам следует искать».
О работе сообщалось в журнале Advanced Materials.
Источник: scitechdaily
