Wissenschaftler entwickeln neues Modell für maschinelles Lernen für das Design korrosionsbeständiger Legierungen

In einer Welt, in der die jährlichen wirtschaftlichen Verluste durch Korrosion 2,5 Billionen US-Dollar übersteigen, ist die Suche nach korrosionsbeständigen Legierungen und Schutzbeschichtungen ungebrochen. Künstliche Intelligenz (KI) spielt bei der Entwicklung neuer Legierungen eine immer wichtigere Rolle. Dennoch ist die Vorhersagekraft von KI-Modellen bei der Vorhersage des Korrosionsverhaltens und beim Vorschlagen optimaler Legierungsformeln noch immer unklar.

Wissenschaftler des Max-Planck-Instituts für Eisenforschung (MPIE) haben nun ein Modell für maschinelles Lernen entwickelt, das die Vorhersagegenauigkeit im Vergleich zu bestehenden Frameworks um bis zu 15 % steigert. Dieses Modell deckt neue, aber realistische korrosionsbeständige Legierungszusammensetzungen auf. Seine besondere Leistungsfähigkeit ergibt sich aus der Verschmelzung sowohl numerischer als auch textlicher Daten. Dieses Modell wurde ursprünglich für den kritischen Bereich des Widerstands gegen Lochfraß in hochfesten Legierungen entwickelt, seine Vielseitigkeit kann jedoch auf alle Legierungseigenschaften ausgeweitet werden. Die Forscher veröffentlichten ihre neuesten Ergebnisse in der Fachzeitschrift Wissenschaftliche Fortschritte.

Texte und Zahlen zusammenführen

„Jede Legierung hat einzigartige Eigenschaften hinsichtlich ihrer Korrosionsbeständigkeit. Diese Eigenschaften hängen nicht nur von der Legierungszusammensetzung selbst ab, sondern auch vom Herstellungsprozess der Legierung. Aktuelle Modelle für maschinelles Lernen können nur von numerischen Daten profitieren. Allerdings sind Verarbeitungsmethoden und experimentelle Methoden erforderlich.“ „Testprotokolle, die meist durch Textbeschreibungen dokumentiert sind, sind für die Erklärung von Korrosion von entscheidender Bedeutung“, erklärt Kasturi Narasimha Sasidhar, Hauptautorin der Veröffentlichung und ehemalige Postdoktorandin am MPIE.

Das Forschungsteam nutzte Sprachverarbeitungsmethoden, ähnlich wie ChatGPT, in Kombination mit Techniken des maschinellen Lernens (ML) für numerische Daten und entwickelte ein vollständig automatisiertes Framework für die Verarbeitung natürlicher Sprache. Darüber hinaus ermöglicht die Einbeziehung von Textdaten in das ML-Framework die Identifizierung verbesserter Legierungszusammensetzungen, die gegen Lochfraß beständig sind.

„Wir haben das Deep-Learning-Modell mit intrinsischen Daten trainiert, die Informationen über Korrosionseigenschaften und -zusammensetzung enthalten. Jetzt ist das Modell in der Lage, Legierungszusammensetzungen zu identifizieren, die für die Korrosionsbeständigkeit entscheidend sind, selbst wenn die einzelnen Elemente ursprünglich nicht in das Modell eingespeist wurden.“ sagt Michael Rohwerder, Co-Autor der Publikation und Leiter der Gruppe Korrosion am MPIE.

Grenzen überschreiten: Automatisiertes Data Mining und Bildverarbeitung

In dem kürzlich entwickelten Framework nutzten Sasidhar und sein Team manuell gesammelte Daten als Textdeskriptoren. Ihr Ziel besteht derzeit darin, den Prozess des Data Mining zu automatisieren und nahtlos in das bestehende Framework zu integrieren.

Die Integration von Mikroskopiebildern markiert einen weiteren Meilenstein und stellt die nächste Generation von KI-Frameworks vor, die textbasierte, numerische und bildbasierte Daten zusammenführen.