Vadonatúj szuperkemény anyagokat fedezhet föl egy gépi tanulásra képes algoritmus

Nincsen jövőnk tudomány nélkül, nincsen Qubit nélkületek. Támogasd a munkánkat!

Kemény anyagokra szinte minden iparágban szükség van. Strapabíró alapanyagokat használunk az űrhajózásban a légi közlekedésben és az energiatermelésben, és ugye a csatabárdok vagy a vasúti sínek sem puha ólomöntvényből készülnek. A kemény anyagok fejlesztéséhez és gyártásához sok türelem és szakértelem kell; ha ezek adottak, akár gyémántnál keményebb anyagot is előállíthatunk.

A kemény (sőt: szuperkemény) anyagok kutatásának azonban van egy hátránya: az, hogy a felhasználható alapanyagok megalkotása próba-szerencse alapon történik, miközben hagyományos, igen kemény alapanyagokkal, jellemzően gyémántokkal kísérleteznek. Ez a trend azonban a közeljövőben megfordulhat. A Houstoni Egyetem és a Manhattan College kutatói olyan mesterséges intelligenciát, pontosabban gépi tanulásra képes algoritmust fejlesztettek, ami nagy pontossággal becsülheti meg az egyes anyagok és ötvözetek keménységét.

Az Advanced Materials folyóiratban ismertetett tanulmány szerint az algoritmus segítségével az anyagkutatók tudatosabban választhatják ki a hasznos alapanyagokat, és nagyobb hatékonysággal, a felhasználási terület egyedi követelményeinek figyelembe vételével dolgozhatják fel őket.

Kemény, mint a Rolling Stones

Szuperkeménynek (superhard) azokat az anyagok nevezzük, amiknek a keménységi értéke a meghaladja a 40 gigapascalt a Vickers-skálán – vagyis az ilyen anyagokra legalább ekkora nyomást kell kifejteni, hogy annak látható jele legyen a vizsgált anyag felületén.

A phys.org tudományos hírportál cikke szerint Jakoah Brgoch, a Houstoni Egyetem vegyészprofesszora, a tanulmány társszerzője azt mondta, hogy a szuperkemény anyagok kutatása komplex folyamat. Részben ezért használunk ma is szintetikus gyémántokat, holott ezeknek az előállítása nemcsak bonyolult, hanem igen drága is. A szuperkemény anyagok gyártását az is megnehezíti, hogy az anyag keménysége a kifejtett nyomás függvényében változhat; a szakmában ezt terhelésfüggésnek nevezik. A terhelésfüggés csaknem lehetetlenné teszi az egyes anyagokkal folytatott kísérletezést és tesztelést, valamint a számítástudományi modellek alkalmazását.

A kutatók által bemutatott modell képes túllépni ezen a problémán, ugyanis az anyagok vegyi összetétele alapján jósolhatja meg a terhelésfüggő Vickers-keménységét. A kutatók beszámolója szerint a modellel 10 stabil, ígéretesnek tűnő bór-karbid fázist tudtak meghatározni. Már hozzá is láttak az anyagok tervezéséhez és gyártásához, hogy a modell által megjósolt eredményeket laborkörülmények között tesztelhessék. A kutatók szerint a modell előrejelzési hatékonysága 97 százalékos pontosságú.

Nem tippeket ad, inkább rávezet, hogy mire figyelj

A tanulmány vezető szerzője, Cejang Csang, a Houstoni Egyetem doktori képzést folytató hallgatója elmondta, hogy az algoritmushoz használt adatbázisban 560 különböző anyagtípust rögzítettek. Minden anyagtípushoz számos adatpont tartozik. Az ehhez szükséges adatok begyűjtéséhez több száz tudományos tanulmányt használtak föl, hogy megkeressék bennük a reprezentatív adatkészlethez szükséges adatokat.

„Minden gépi tanulási projekt a jó adatkészlettel kezdődik. A valódi siker ennek az adatkészletnek a fejlődésén mérhető le.”

– mondta Brgoch. A projektben rajta és Csangon kívül Aria Mansouri Tehrani és Blake Day, a Houstoni Egyetem szakértői, valamint Anton O. Oliynyk, a Manhattan College munkatársa is részt vettek.

Brgoch elmondta, hogy a kutatók arra használták a gépi tanulást, hogy megjósolják a keménység egyetlen változóját. A műveletek során nem vizsgálták az anyagok olyan komplex tulajdonságait, mint amilyen a terhelésfüggés, amit még ma sem értünk pontosan. Brgoch úgy tartja, hogy a gépi tanulási algoritmus a kezdeti korlátozások ellenére is hasznos eszköznek bizonyult.

„Egy gépi tanulási rendszernek nem kell megértenie a fizikát. Elég, ha elemzi a betanítási adatkészletet, és új, statisztikaalapú előrejelzéseket készít. […] A gépi tanulás ugyanakkor nem arról szól, hogy a gép azt mondja, hogy hé, itt a következő szuper anyag; inkább a kísérletezés közben nyújt hasznos útmutatást. Rávezet, hogy mire kell figyelned.”

– mondta Brgoch.

Kapcsolódó cikkek a Qubiten: