(greenp/iStock) Рідкоземельні елементи є ключовими компонентами в усіх видах електроніки, від смартфонів і широкосмугових кабелів до вітрових турбін і електромобілів. Але розробити корисні сполуки, які могли б розширити наше практичне використання рідкоземельних елементів, як відомо, важко, з непередбачуваними результатами.
Тепер вчені винайшли розумний спосіб допомогти в пошуку нових рідкоземельних сполук: нещодавно розроблений штучний інтелект система з передбачуваними можливостями, яка виведе нас за межі того, що було б можливо для людей у лабораторії.
Тут використовується тип ШІ машинне навчання : як випливає з назви, це місце, де програмне забезпечення вивчає базу даних інформації (у цьому випадку про рідкоземельні сполуки), розпізнаючи закономірності та кореляції, які потім дозволяють йому виявити нові потенційні збіги для зазначеної бази даних.
' Машинне навчання це дуже важливо, тому що коли ми говоримо про нові композиції, всі замовлені матеріали добре відомі всім у спільноті рідкісноземельних елементів, — каже матеріалознавець Прашант Сінгх , з Лабораторії Еймса в Університеті штату Айова.
«Однак, коли ви додаєте безладу до відомих матеріалів, це зовсім інше. Кількість композицій стає значно більшою, часто тисячами або мільйонами, і ви не можете дослідити всі можливі комбінації за допомогою теорії чи експериментів».
У матеріалознавстві, порядок і безлад відносяться до того, як частинки розташовані в матеріалі (наприклад, у ідеальній, кристалічній сітці або у більш хаотичному, розсіяному розташуванні), що безпосередньо впливає на властивості та використання зазначеного матеріалу.
У цьому випадку модель машинного навчання була побудована з використанням бази даних рідкоземельних елементів і деяких ідей з неї теорія функціоналу густини (DFT), який займається аналізом структур матеріалу – ідеальний для такого роду досліджень.
Спосіб побудови моделі означає, що сотні перестановок можна швидко перевірити, а потім оцінити фазову стабільність кожної з них. Іншими словами, штучний інтелект здатний судити про те, чи буде комбінація рідкоземельних елементів життєздатною, напр. не розвалитися.
Потім ці розрахунки доповнюються додатковою інформацією з Інтернету, отриманою за допомогою спеціально створених алгоритмів, перш ніж остаточно перевіряються та проходять кілька перевірок, щоб переконатися, що вони залишаються в реальності.
«Це насправді не призначено для відкриття конкретної сполуки», — каже матеріалознавець Ярослав Мудрик , з лабораторії Еймса. «Як ми розробимо новий підхід або новий інструмент для відкриття та прогнозування рідкоземельних сполук?» І це те, що ми зробили».
Експериментальні дані також можна повертати в систему машинного навчання, що ще більше покращує її точність і зменшує ймовірність помилок, таких як створення рідкоземельних сполук, які насправді не працюють.
Наразі модель все ще оцінюється та налаштовується, перш ніж приступити до завдання справжнього пошуку цих рідкоземельних сполук, але дослідники обіцяють, що це лише початок нової розробленої системи.
Навіть краще, методи, які команда використовує тут, також повинні працювати в пошуку інших невловимих видів матеріалів у майбутньому. Зрештою, нам не доведеться на це покладатися багато про випадковість щоб зробити такі відкриття.
«Наш підхід буде корисним у відкритті нових і складних рідкоземельних сполук з новими функціями», — підсумовують дослідники у своєму опублікована стаття .
Дослідження опубліковано в Журнал матеріалів .