图1。使用条件生成进化网络进行材料逆向设计的生成建模示意图。(一)对抗性训练程序，其中发生者和鉴别者争夺优异的表现。(二)使用训练好的生成器进行逆向设计。信用:DOI: 10.20517/ jmi.2021.05从电脑屏幕上往后凝视的人可能实际上并不存在，这要归功于人工智能(AI)，它能够生成令人信服但最终是伪造的人脸图像。据宾夕法尼亚州立大学的科学家说，现在同样的技术可能会推动材料设计的下一波创新。宾夕法尼亚州立大学材料科学与工程助理教授、计算与数据科学学院的教职员工韦斯利·莱因哈特(Wesley Reinhart)说:“我们在今天的新闻中听到了很多关于深度赝品的消息——人工智能可以生成与真人不相符的真实人脸图像。“这与我们在研究中使用的技术完全相同。我们基本上只是把这个人脸图像的例子换成了高性能合金的元素成分。”
科学家们训练了一个生成对抗网络(GAN)来制造新型高熵耐火合金，这种材料可以承受超高温，同时保持强度，并用于从涡轮叶片到火箭的技术中。
莱因哈特说:“关于什么构成了人脸图像，什么构成了合金，有很多规则，你很难知道所有这些规则是什么，也很难用手把它们写下来。“这种GAN的整个原理是，你有两个基本上相互竞争的神经网络，以便学习那些规则是什么，然后生成遵循规则的例子。”
该团队梳理了数百个已发表的合金示例，以创建一个训练数据集。该网络的特点是一个生成新组合的生成器和一个试图辨别它们与训练数据集相比是否真实的批评家。科学家们说，如果发电机成功了，它就能够制造出评论家认为是真实的合金，随着这种对抗游戏持续多次迭代，模型得到了改进。
经过这次训练后，科学家们要求该模型专注于创造具有特定性能的合金成分，这将是涡轮叶片的理想选择。
宾夕法尼亚州立大学材料科学与工程多萝西·帕特·恩莱特教授齐-刘魁说:“我们的初步结果表明，生成模型可以学习复杂的关系，以便按需产生新鲜感。“这是惊人的。这确实是我们在整个材料科学的计算社区中所缺少的。”
研究人员说，传统的或理性的设计依赖于人类的直觉来寻找模式和改进材料，但随着材料化学和加工变得越来越复杂，这变得越来越具有挑战性。
莱因哈特说:“当你处理设计问题时，你通常有几十个甚至上百个变量可以改变。“你的大脑并不适合在100维空间中思考；你甚至不能想象它。所以这项技术为我们做的一件事就是压缩它，并向我们展示我们可以理解的模式。我们需要这样的工具来解决这个问题。我们根本无法靠蛮力做到。”
科学家们说，他们最近发表在《材料信息学杂志》上的发现显示了合金逆向设计的进展。
“有了理性的设计，你必须一次一个地经历这些步骤中的每一个；做模拟，查表，咨询其他专家，”莱因哈特说。“逆向设计基本上由这个统计模型来处理。你可以要求一种具有确定属性的材料，并在几毫秒内得到100或1000种可能合适的成分。”
然而，这个模型并不完美，它的估计仍然必须通过高保真模拟来验证，但是科学家们说，它消除了猜测，并提供了一个有希望的新工具来确定尝试哪些材料。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
