將兩種或三種金屬混合在一起,您就會得到一種通常看起來像金屬一樣的合金,其原子排列成剛性的幾何圖案。
但偶爾,在恰當的條件下,你會得到一些全新的東西:一種稱為金屬玻璃的未來合金,它是無定形的,其原子排列成各個方向,就像窗戶玻璃原子一樣。它的玻璃狀性質使其比現在最好的鋼材更堅固更輕,而且更耐腐蝕和耐磨。
信息圖表比較機器學習和實驗數據,尋找新的金屬合金
盡管金屬玻璃作為保護涂層和鋼材的替代品顯示出很大的希望,但在過去的50年中,只有數百萬種可能的成分組合中的幾千種已被評估過,并且只有少數幾種可能發展到變得有用的程度。
現在由能源部SLAC國家加速器實驗室,美國國家標準與技術研究院(NIST)和西北大學的科學家領導的一個小組報告了發現和改進金屬玻璃的捷徑。
該研究小組利用SLAC斯坦福同步輻射光源(SSRL)的一個系統,該系統將機器學習(一種人工智能形式,其中計算機算法從大量數據中搜集知識)與實驗快速制作和篩選數百種樣品材料一次。這使得該團隊能夠發現三種新的金屬玻璃成分混合物,并且比以前做得快200倍,他們的研究成果在Science Advances上報道。
西北教授克里斯沃爾弗頓說:“通常需要十年或兩年的時間才能將材料從發現應用到商業用途,”西沃教授克利斯沃爾弗頓是使用計算和人工智能預測新材料的早期先驅,也是該論文的合作者。“這是努力縮短這一時間的一大步,你可以從材料列表中選擇最適合你的材料列表,并利用人工智能將潛在材料的巨大領域迅速縮小為幾個優秀的候選者”。
他說,最終的目標是讓科學家能夠掃描數百種樣品材料,從機器學習模型中獲得幾乎是直接的反饋,并準備另一套樣品在第二天甚至一小時內進行測試。
在過去的半個世紀里,科學家們已經研究了大約6,000種組成金屬玻璃的成分,SSRL的一位科學家加入合作,Apurva Mehta:“我們能夠在一年內制作和篩選20,000個。”
剛剛開始
雖然其他團隊已經使用機器學習來預測哪里可以找到不同種類的金屬玻璃,Mehta說:“我們所做的獨特之處在于通過實驗測量快速驗證我們的預測,然后將結果反復循環回到下一輪的機器學習和實驗。”
他補充道,還有很多空間可以讓這個過程更加快速,并且最終實現了自動化,讓人們完全脫離環路,因此科學家可以專注于需要人類直覺和創造力的其他工作方面。“這不僅會影響同步加速器用戶,還會影響整個材料科學和化學界。”Mehta說。
該團隊表示,這種方法可用于各種實驗,特別是在尋找材料,如金屬玻璃和催化劑,其性能受制造方式的強烈影響時,以及那些科學家沒有理論指導他們的搜索的材料。通過機器學習,不需要以前的理解。這些算法可以自行建立關系并得出結論,這可以在意想不到的方向上進行研究。
“其中一個更令人興奮的方面是,我們可以如此迅速地做出預測,并且實驗周而復始,以至于我們可以調查那些不遵循我們的正常經驗法則的材料,以確定材料是否會形成玻璃,“論文合作者NIST的材料研究工程師Jason Hattrick-Simpers說。“人工智能將改變材料科學如何完成的前景,這是第一步。”
方仁開發了一種算法,用于SLAC博士后研究人員在斯坦福同步輻射光源射束線上運行該系統,該系統已投入使用。
數字的力量
該論文是與美國能源部資助的試點項目相關的第一個科學成果,SLAC正在與硅谷人工智能公司Citrine Informatics合作,改變新材料的發現方式,并為各地的科學家提供工具。
Citrine由斯坦福大學和西北大學的前研究生創立,創建了一個材料科學數據平臺,在這個平臺中以一致的格式存儲著已發表論文,電子表格和實驗室筆記本中的數據,因此可以為材料專門使用。
“我們希望獲取材料和化學數據,并有效利用它們來設計新材料和優化制造,”該公司的創始人兼首席執行官Greg Mulholland說。“這是人工智能的力量:隨著科學家產生更多的數據,它會一起學習,帶來隱藏的趨勢,讓科學家比依靠傳統的,純粹由人為驅動的材料更快,更有效地識別高性能材料發展“。
直到最近,思考,制作和評估新材料的速度都非常緩慢。例如,金屬玻璃的作者計算出,即使你每天都可以制作和檢查五種潛在類型的金屬玻璃,但要花上一千多年的時間來研究每一種可能的金屬玻璃組合金屬。當他們發現金屬玻璃時,研究人員努力克服阻礙這些材料本身具有的問題。因為有些成分有毒或昂貴成分,并且它們都具有玻璃易碎,易碎的性質。
在過去的十年中,SSRL和其他地方的科學家已經開發出了使實驗自動化的方法,以便他們能夠在更短的時間內創建和研究更多新穎的材料。今天,一些SSRL用戶可以在他們的數據幾乎一出現由SSRL與Citrine一起開發的AI軟件以及美國能源部勞倫斯伯克利國家實驗室的CAMERA項目中得到初步分析。
“使用這些自動化系統,我們每天可以分析超過2000個樣本,”本文的主要作者方仁說,他開發了算法來實時分析數據并協調它們與系統的集成,同時還是SLAC的博士后學者。
試驗數據
在金屬玻璃研究中,研究團隊研究了數千種含有三種廉價,無毒金屬的合金。
他們從一系列可追溯至50多年的材料數據開始,其中包括6,000個搜索金屬玻璃的實驗結果。該團隊使用Wolverton和西北大學研究生Logan Ward開發的先進機器學習算法梳理了數據。
基于第一輪研究中學到的算法,科學家們使用兩種不同的方法制作了兩套樣品合金,使他們能夠測試制造方法是如何影響合金變形成玻璃的。
通過SSRL X射線束掃描兩組合金,將數據輸入Citrine數據庫,并產生新的機器學習結果,這些結果用于制備經歷另一輪掃描和機器學習的新樣品。
Mehta表示,通過實驗的第三輪也是最后一輪,該團體發現金屬玻璃的成功率從300或400個樣品中的一個增加到了兩個或三個樣品中的一個。他們確定的金屬玻璃樣品代表了三種成分的不同組合,其中兩種從未用于制造金屬玻璃。