AI日报：人工智能与新材料的发现

文章目录

日本的研究人员正在使用人工智能制造更强的金属合金或发现新材料，并彻底改变制造过程

总览

• 日本的研究人员开发了两步技术，使飞机工业中使用的镍铝合金更坚固。
• 这项新技术展示了机器学习如何改变传统上依赖试错的科学领域。

人工智能正在革命性地发现新的或更强的材料，这将改变制造业。

日本的研究人员开发了一种新的两步技术，可以在高温下提高镍铝合金的强度，这种材料将两种金属结合在一起，广泛用于飞机和其他行业，超过了加热这些金属的传统方法。

该方法使用人工智能来精确定位各种热老化时间表。InFLOWS AI首席运营官Jake Thiede没有参与这项研究，他在接受采访时表示：“人工智能在材料方面很有用，因为你可以虚拟化实验，以相当高的预测准确性运行数千个实验。”。

“材料有许多不同的特性，你可能会试图平衡这些特性，包括成品的特性和各种条件下的性能。人工智能系统非常有用，因为Excel只有在输出端有数十亿种不同的可能组合和可变性能时才能发挥作用。”

更坚韧的合金

来自日本国立材料科学研究所和名古屋大学的科学家表示，这项新的材料技术展示了机器学习如何改变传统上依赖试错的科学领域。

问题研究

为了解决这个问题，研究人员必须研究镍铝合金是如何形成的。为了使这些合金在高温下更坚固，控制热老化过程中形成的相的大小和数量是至关重要的。

温度和时间有许多可能的组合。例如，将老化过程分解为10个部分，在9个不同的温度下，可以产生大约35亿个组合。正因为如此，早期寻找最佳老化时间表的尝试大多使用恒定温度。

解决方案

研究团队首先使用计算机模拟而不是实验来节省评估这些组合的时间和金钱。然而，模拟所有35亿个组合仍然不现实。

然后，该团队使用一种名为蒙特卡洛树搜索（MCTS）的人工智能算法将这些组合缩小到较小数量的最佳组合。他们发现使用MCTS的110种模式比通常的恒温老化更好。

起初，这些新模式看起来很复杂，与通常的方法非常不同。但仔细观察后，研究人员明白了这一点：从短时间的高温老化开始，γ´颗粒生长到几乎合适的尺寸，然后在较低的温度下老化更长时间，防止它们在增加数量的同时变得太大。

有了这一见解，他们创造了一种新的两步老化方法：先进行短期高温老化，然后进行长期低温老化。这种方法使镍铝合金在高温下比用人工智能发现的任何图案制成的合金更强。

新材料人工智能

存在的挑战

设计新合金是一项复杂的任务。材料咨询公司QuesTek的材料设计工程师Tanner Kirk在接受采访时表示，创作者必须决定各种因素，如使用哪些元素、它们的数量以及处理的温度和时间的正确组合，才能获得最佳的结构和功能。

研究人员必须确保合金满足所有基本性能，包括强度、柔韧性、重量、耐腐蚀性和耐磨性、寿命和成本。人工智能可以比人类更有效地搜索这片广阔的空间，找到尽可能好的合金。

柯克说，许多科学家现在正在将模拟材料行为的计算机模型（称为综合计算材料工程，ICME）与人工智能优化方法相结合，以探索各种材料，实现最佳设计。

方法探索

这些人工智能增强的技术允许设计师同时考虑更多的变量，通常会带来更好的设计。一些人工智能方法，如贝叶斯优化，甚至可以推荐下一个实验进行，通常可以减少模型的不确定性或增加找到更好设计的机会。

人工智能在材料设计中的另一种越来越流行的方式是通过创建代理模型。这些模型模仿了详细的第一原理模型的准确性，但所需的计算能力要少得多。例如，计算某些材料的行为通常可能需要数小时或数天，但使用这些人工智能模型，只需几秒钟即可完成。这种加速在设计过程中很有价值，因为它可以让设计师快速评估更多潜在的设计。

用于预测材料行为的人工智能模型越来越普遍，但它们通常不包括基于物理的元素，这使得它们在训练之外的情况下不太可靠。这些模型缺乏物理原理，可能会导致不可预测的结果。在材料科学中为人工智能模型添加物理理解是一个关键的研究领域，预计将促进材料科学家和工程师对其的使用。

Thiede说，公司越来越善于收集为材料选择系统提供动力所需的数据，在材料选择系统中，单个分子的特性会被仔细检查。当这种水平的分析成为可能时，就有机会对从未在现实世界中使用过的新材料进行虚拟测试。

Thiede说，有了分子及其性质的数据库，再加上预测未知分子在不同条件下如何表现的人工智能模型，就有可能发现新的材料、药物和蛋白质。例如，Insilico
Medicine正在利用它开发一种名为INS018_055的药物，用于治疗特发性肺纤维化。NotCo正在利用它为植物奶寻找独特的蛋白质。在材料科学中，它被用来理解和创造新的陶瓷、聚合物等，类似于“陶瓷基因组”的研究和理解。

Kirk说，让人工智能模型更容易理解的一种方法是通过符号回归。

这项技术产生了标准的分析方程，其中的术语与现实世界中的物理相关性有关。这些方程与科学家和工程师长期使用的现象学方程相似。因为这些方程更为人们所熟悉，它们很可能会在该领域得到更广泛的接受和使用。

柯克补充道：“随着可以编写可执行代码的大型语言模型或LLM的出现，可以预见的是，未来的人工智能材料模型甚至可以为最复杂的行为模型产生可解释的逻辑。”。