Хотя человечество имеет тысячелетнюю историю изучения, создания и обработки материалов, материаловедение не стало формальной областью до основания первого в мире факультета Материаловедение и инженерия в Северо-Западном университете в 1955 году. высокодисциплинарный характер» материаловедения требует понимания физики, химии и биологии, а также химической, механической, гражданской и электротехнической инженерии. Открытие в этой области часто требует совместной работы с лучшими талантами в этих областях.

Несмотря на сложную лежащую в основе теорию и талант исследователей, поиск и проектирование материалов превратились в метод, основанный на опыте, в значительной степени основанный на пробах и ошибках, даже когда он дополняется компьютерным моделированием, требующий значительных человеческих усилий, времени и ресурсов. Причину этой сложности можно частично отнести к полаганию на человеческую интуицию для распознавания закономерностей, получения осмысленных выводов и принятия решений о следующих шагах.

С начала 2000-х годов исследователи предприняли различные усилия для автоматизации разработки материалов, включая комбинаторный синтез материалов, экспериментирование с высокой пропускной способностью и быструю идентификацию структурных фаз. В то время как эти достижения обеспечили автоматизацию различных отдельных шагов, человеческий контроль необходим для общего планирования экспериментов, интерпретации данных, а также выполнения ключевых шагов, что приводит к частично автоматизированным рабочим процессам. Остается вопрос — как освободить человеческий талант от трудного процесса проб и ошибок?

Появление ИИ в этом десятилетии дает возможный ответ. Хотя лежащие в основе теории существуют на протяжении десятилетий, сейчас впервые машинное обучение используется в больших масштабах для нахождения закономерностей, выдвижения гипотез и помощи людям в принятии решений. Достижения в этих областях — которые ранее были прерогативой только людей — означают, что теперь у нас есть возможность полностью автоматизировать поиск материалов, сместив основной двигатель с прозорливости на разумный замысел.

В этом посте я дам общий обзор ключевых областей, в которых ИИ может произвести революцию в материаловедении, а именно усовершенствование методов моделирования, предсказание свойств материалов и открытие/разработка новых материалов. Затем я кратко расскажу об ограничениях современных технологий, а также о возможных идеях и следующих шагах.

ИИ в методах моделирования

Применение компьютерного моделирования в качестве инструмента для материаловедения началось в 1950-х годах с применением методов Монте-Карло (МК). С тех пор он стал бесценным инструментом для исследователей не только для воспроизведения экспериментальных условий и экономии места, времени и ресурсов, но и как независимый подход к проверке гипотез и руководству экспериментами. Многочисленные конформации материалов были синтезированы в экспериментах после того, как они сначала были предсказаны с помощью моделирования.

Молекулярная динамика (МД), разработанная в 1970-х годах, на сегодняшний день является одним из наиболее важных и широко используемых методов моделирования в материаловедении. Рассматривая атомы как твердые шарики, а молекулы как каркасы атомов, соединенных связями, МД может предсказать, как каждый атом в молекулярной системе будет двигаться с течением времени на основе общей модели физики, управляющей межатомными взаимодействиями. Большинство моделей МД рассчитываются с использованием классических силовых полей. Несмотря на то, что этот метод надежен и дешев в вычислительном отношении, существуют ограничения на использование этого метода, такие как учет определенных механических и химических свойств материалов или прогнозирование взаимодействий в более длительном (> 1 мс) временном масштабе, оставляя место для инноваций.

Одним из наиболее успешных применений машинного обучения для повышения точности силовых полей МД является подход Белера и Парринело. Полная энергия системы представлена ​​как сумма вкладов атомов E. Благодаря своей масштабируемости он стал стандартом для всех последующих улучшений машинного обучения силовых полей МД. Каждый атом системы описывается набором функций симметрии, которые служат входом в нейронную сеть этого элемента. Таким образом, при заданных входных данных нейронная сеть будет обеспечивать энергию для атома этого элемента, которую можно преобразовать в силы и напряжения. Моделирование МД с использованием этого метода позволило достичь точности на уровне DFT для различных материалов, а также конкретных условий, таких как воспроизведение RDF расплава кремния при 3000K.

Прогнозирование свойств материалов с помощью ИИ

Если свойства материалов можно надежно предсказать, можно значительно ускорить разработку новых продуктов в самых разных отраслях. До сих пор методы машинного обучения были успешными в предсказании различных свойств материалов, включая механические свойства, такие как объемные и модули сдвига, тепловые свойства, такие как проводимость, и электрические свойства, такие как ширина запрещенной зоны, топологические состояния. », и сверхпроводимость.

Основным узким местом для прогнозирования свойств материалов с помощью ИИ является объем доступных данных, несмотря на такие усилия, как Геном материалов и Проект материалов. Один из способов обойти это ограничение — применить структуру машинного обучения, называемую трансферное обучение. Согласно работе Ямады и др., Переносное обучение основано на концепции, согласно которой различные типы свойств, такие как физические, химические, электронные, термодинамические и механические свойства, физически взаимосвязаны. Это позволяет ИИ делать высокоточные прогнозы свойства через его прокси-свойства, подобно способности человека-эксперта делать наблюдения на основе небольшого количества входных данных. В другой работе, основанной на трансферном обучении, было продемонстрировано, что ИИ может предсказывать свойства материала даже без знания кристаллической структуры!

ИИ открытие новых материалов

Открытие новых материалов, пожалуй, самая захватывающая роль ИИ в материаловедении, поскольку открытие и проектирование новых материалов долгое время считалось работой, которую могут выполнять только люди. Этот квест сложен из-за многочисленных возможностей в пространстве признаков, состоящем из трех пространственных измерений и всех возможных расположений атомов. Несмотря на недавние достижения в классических алгоритмах генерации и выбора структуры, а также в методах оценки энергии, этот процесс по-прежнему требует значительных вычислительных ресурсов. (Некоторые материаловеды остроумно высмеивают свои собственные работы как жареные блюда — открытие новых материалов путем проб и ошибок, как добавление соли и воды — нетривиальное наблюдение!)

Однако огромное количество задействованных данных делает ИИ идеальным кандидатом для решения этой проблемы. Моделирование с помощью ИИ, как упоминалось выше, может значительно увеличить скорость, с которой мы получаем энергию многих конфигураций, тем самым ускоряя весь процесс открытия. Чтобы доказать, что конфигурация устойчива, пространство признаков вокруг нее должно быть тщательно просканировано, чтобы продемонстрировать, что энергия конфигурации находится в локальном оптимуме. Справочные базы данных, такие как Materials Project, могут пригодиться. Уже было продемонстрировано, что ИИ может помочь исследователям открыть тысячи новых конфигураций, сэкономив 75% времени вычислений.

Однако моделирование — не единственный способ продемонстрировать стабильность материала. Уникальная способность ИИ извлекать информацию из данных означает, что теперь он может лучше использовать экспериментальные данные. В одной недавней работе исследователи использовали неконтролируемые методы обучения, такие как автоэнкодер, чтобы найти закономерности сходства между комбинациями элементов, учитывая известные кристаллические структуры, прежде чем расширяться, чтобы предсказывать новые структуры. Этот новый инструмент искусственного интеллекта отличается тем, что может находить уникальные материалы, а не те, которые похожи на те, которые у нас уже есть.

Следующие шаги

Несмотря на то, что каждый год в пересекающуюся область ИИ и материаловедения вливаются сотни новых статей, эта область все еще довольно нова как по срокам, так и по потенциалу для дальнейшего развития. Впереди множество возможностей, и чтобы воспользоваться ими, исследователи должны мыслить масштабно и нестандартно.

Первое потенциальное направление — разработка методов искусственного интеллекта, адаптированных к потребностям материаловедения. На данный момент исследователям все еще приходится переводить данные о материалах во входные форматы, принимаемые распространенными моделями машинного обучения, — в виде структурного отображения, графического представления или даже преобразования в изображение. Если бы были разработаны модели и методы, которые могут использовать общий формат данных о материалах в качестве входных данных, мы потенциально могли бы получить результаты, которые были бы более точными и, что более важно, более обоснованными с научной точки зрения.

Еще одна возможность — расширить текущую базу данных для материалов ИИ. Всегда существует потребность в открытых данных, которые помогают предотвратить развитие хранилищ данных и упрощают доступ и обмен. Один из способов улучшить это — создать базу данных неудачных или незначительных результатов, о которых в настоящее время редко сообщается в литературе, но, тем не менее, они содержат ценную информацию, особенно для целей обучения машинному обучению, поскольку они делают обучающие данные более сбалансированными и реалистичными.

И, наконец, некоторые передовые методы искусственного интеллекта и машинного обучения могут творчески решать давние проблемы материаловедения. Рост наноматериалов, например, всегда было трудно реалистично смоделировать, поскольку современные методы моделирования не так хороши в улавливании переходных состояний, как в основных состояниях. ИИ, опять же, мог прийти на помощь. Генеративно-состязательные сети (GAN) уже используются для структурной генерации. Не исключено, что модель генератора пытается добавить еще один атом или молекулу к шаблону материалов, а модель дискриминатора, имитирующая лабораторную среду, пытается предотвратить связывание или удаление избыточных добавлений. Если бы эту идею удалось реализовать, у нас появился бы инструмент, фиксирующий все захватывающие наномасштабные процессы, происходящие в лаборатории материаловеда.

Таким образом, мы рассмотрели текущее влияние ИИ на ландшафт науки о материалах, включая методы моделирования, предсказания свойств и открытие новых материалов. Это быстрорастущая междисциплинарная область с многочисленными неисследованными возможностями. Станет ли ИИ более адаптированным к конкретным системам, параметрам и потребностям материаловедения, что приведет к более эффективным реализациям и более творческим открытиям? Оставайтесь с нами.