Künstliche Intelligenz verbessert die Art und Weise, wie Wissenschaftler Materialien erforschen. Forscher des Ames Laboratory und der Texas A&M University trainierten ein Modell für maschinelles Lernen (ML), um die Stabilität von Seltenerdverbindungen zu bewerten. Diese Arbeit wurde durch das Laboratory Directed Research and Development Program (LDRD)-Programm am Ames Laboratory unterstützt. Der von ihnen entwickelte Rahmen baut auf aktuellen hochmodernen Methoden zum Experimentieren mit Verbindungen und zum Verständnis chemischer Instabilitäten auf.
Ames Lab ist seit Mitte des 20. Jahrhunderts führend in der Erforschung der Seltenen Erden. Seltenerdelemente haben ein breites Anwendungsspektrum, einschließlich sauberer Energietechnologien, Energiespeicherung und Permanentmagnete. Die Entdeckung neuer Seltenerdverbindungen ist Teil größerer Bemühungen von Wissenschaftlern, den Zugang zu diesen Materialien zu erweitern.
Der vorliegende Ansatz basiert auf maschinellem Lernen (ML), einer Form der künstlichen Intelligenz (KI), die von Computeralgorithmen angetrieben wird, die sich durch Datennutzung und Erfahrung verbessern. Die Forscher nutzten die aktualisierte Ames Laboratory Rare Earth-Datenbank (RIC 2.0) und die Hochdurchsatz-Dichtefunktionstheorie (DFT), um die Grundlage für ihr ML-Modell zu schaffen.
Hochdurchsatz-Screening ist ein Rechenschema, das es einem Forscher ermöglicht, Hunderte von Modellen schnell zu testen. DFT ist eine quantenmechanische Methode zur Untersuchung thermodynamischer und elektronischer Eigenschaften vieler Körpersysteme. Basierend auf dieser Sammlung von Informationen verwendet das entwickelte ML-Modell Regressionslernen, um die Phasenstabilität von Verbindungen zu bewerten.
Tyler Del Rose, ein Doktorand der Iowa State University, führte einen Großteil der für die Datenbank erforderlichen Grundlagenforschung durch, indem er Algorithmen schrieb, um das Internet nach Informationen zu durchsuchen, um die Datenbank und DFT-Berechnungen zu ergänzen. Er arbeitete auch an der experimentellen Validierung der KI-Vorhersagen und half bei der Verbesserung der ML-basierten Modelle, indem er sicherstellte, dass sie repräsentativ für die Realität sind.
„Maschinelles Lernen ist hier wirklich wichtig, denn wenn wir über neue Zusammensetzungen sprechen, sind bestellte Materialien allen in der Seltenerdgemeinschaft sehr gut bekannt“, sagte Ames-Laborwissenschaftler Prashant Singh, der zusammen mit Guillermo Vazquez die Bemühungen um maschinelles Lernen bei DFT plus leitete und Raymundo Arroyave. „Wenn man jedoch bekannten Materialien Unordnung hinzufügt, ist das ganz anders. Die Zahl der Zusammensetzungen wird deutlich größer, oft Tausende oder Millionen, und man kann nicht alle möglichen Kombinationen theoretisch oder experimentell untersuchen.“
Singh erklärte, dass die Materialanalyse auf einer diskreten Rückkopplungsschleife basiert, in der das AI/ML-Modell mithilfe einer neuen DFT-Datenbank aktualisiert wird, die auf Echtzeit-Struktur- und Phaseninformationen aus unseren Experimenten basiert. Dieser Prozess stellt sicher, dass Informationen von einem Schritt zum nächsten transportiert werden, und verringert die Möglichkeit, Fehler zu machen.
Yaroslav Mudryk, der Projektleiter, sagte, dass das Framework aufgrund ihrer technologischen Bedeutung zur Erforschung von Seltenerdverbindungen konzipiert wurde, seine Anwendung jedoch nicht auf die Seltenerdforschung beschränkt sei. Der gleiche Ansatz kann verwendet werden, um ein ML-Modell zu trainieren, um magnetische Eigenschaften von Verbindungen, Prozesssteuerungen für die transformative Fertigung und die Optimierung des mechanischen Verhaltens vorherzusagen.
„Es ist nicht wirklich dazu gedacht, eine bestimmte Verbindung zu entdecken“, sagte Mudryk. „Es ging darum, wie wir einen neuen Ansatz oder ein neues Werkzeug für die Entdeckung und Vorhersage von Seltenerdverbindungen entwerfen? Und genau das haben wir getan.“
Mudryk betonte, dass diese Arbeit erst der Anfang sei. Das Team erkundet das volle Potenzial dieser Methode, ist aber optimistisch, dass es in Zukunft ein breites Anwendungsspektrum für das Framework geben wird.
Diese Forschung wird weiter diskutiert in dem Artikel „Machine-learning enabled thermodynamic model for the design of new rare-earth components“, verfasst von P. Singh, T. Del Rose, G. Vazquez, R. Arroyave und Y. Mudryk; und veröffentlicht in Acta Materialia.
Prashant Singh et al., Durch maschinelles Lernen aktiviertes thermodynamisches Modell für das Design neuer Seltenerdverbindungen, Acta Materialia (2022). DOI: 10.1016/j.actamat.2022.117759