休斯顿大学的珍妮·凯文 研究人员开发了一种机器学习模型,可以准确预测新材料的硬度,使科学家更容易找到适合各种应用的化合物
学分:休斯顿大学 从能源生产到航空航天,超硬材料在工业中需求量很大,但寻找合适的新材料在很大程度上是基于钻石等经典材料的反复试验
直到现在
休斯顿大学和曼哈顿学院的研究人员报道了一种机器学习模型,该模型可以准确预测新材料的硬度,使科学家更容易找到适合各种应用的化合物
这项工作发表在《高级材料》杂志上
超硬材料——定义为维氏硬度值超过40吉帕斯卡的材料,这意味着在材料表面留下压痕需要超过40吉帕斯卡的压力——非常罕见
“这使得识别新材料具有挑战性,”密歇根大学化学副教授、该论文的相应作者雅各布·布拉戈奇说
“这就是为什么像人造钻石这样的材料仍然被使用,尽管它们制造起来既困难又昂贵
" 其中一个复杂的因素是材料的硬度会随着所施加的压力的大小而变化,这就是所谓的负载相关性
这使得测试一种材料在实验上变得复杂,并且现在几乎不可能使用计算模型
研究人员报道的模型克服了这一点,只根据材料的化学成分来预测与载荷相关的维氏硬度
研究人员报告发现了10多种新的有希望的稳定硼碳化物相;设计和生产这些材料的工作正在进行,以便在实验室进行测试
根据模型报告的准确性,可能性很大
研究人员报告准确率为97%
第一作者张子彦是UH的一名博士生,他说为训练算法而建立的数据库是基于560种不同化合物的数据,每种化合物产生几个数据点
寻找数据需要仔细研读数百篇已发表的学术论文,以找到构建代表性数据集所需的数据
“所有好的机器学习项目都是从一个好的数据集开始的,”布拉戈奇说,他也是德州大学超导中心的首席研究员
“真正的成功很大程度上是这个数据集的开发
" 除了布拉克奇和张,该项目的其他研究人员还包括艾瑞亚··特赫拉尼和布莱克·戴,他们都与UH和安东·奥一起工作
曼哈顿学院的奥列尼克
研究人员传统上使用机器学习来预测硬度的单个变量,布戈奇说,但这并没有考虑到负载依赖等属性的复杂性,他说负载依赖仍然没有被很好地理解
这使得机器学习成为一个很好的工具,尽管早期有局限性
“机器学习系统不需要理解物理,”他说
“它只是分析训练数据,并根据统计数据做出新的预测
" 然而,机器学习确实有局限性
“使用机器学习的想法不是说,‘这是下一个最棒的材料’,而是帮助指导我们的实验性搜索,”布拉戈奇说
“它告诉你你应该看哪里
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!