Uma nova técnica de aprendizado de máquina permitirá aos pesquisadores prever como os materiais agirão antes de passarem pelo difícil e demorado processo de testá-los.

A equipe, liderada por cientistas da Universidade de Cambridge, desenvolveu uma abordagem de aprendizado de máquina “multifidelidade” para prever as propriedades dos materiais. Este método combinou informações sobre a estrutura do material obtidas por meio de técnicas computacionais com medições experimentais para construir modelos preditivos precisos usando algoritmos de aprendizado profundo.

Os cientistas testaram a abordagem multifidelidade em quatro materiais:ligas de aço, ligas de alta entropia, materiais termoelétricos e estruturas metal-orgânicas. Eles demonstraram que seu método alcançou desempenho de última geração na previsão das propriedades desses materiais.

Por exemplo, para ligas de aço, o modelo multifidelidade previu o limite de escoamento do material com um erro absoluto médio (MAE) de apenas 1,8%, em comparação com 4,5% para o melhor método anterior. Para ligas de alta entropia, o modelo multifidelidade previu a dureza Vickers do material com um MAE de 2,3%, em comparação com 5,8% para o melhor método anterior.

"As técnicas de aprendizado de máquina podem prever as propriedades dos materiais e reduzir significativamente o tempo e o custo da descoberta de materiais", disse o co-primeiro autor, Dr. Hao Wu, do Departamento de Ciência de Materiais e Metalurgia de Cambridge. previsões de alta fidelidade e computacionalmente eficientes, devemos combinar múltiplas fontes de informação complementares, como modelos baseados em física e medições experimentais.”

A descoberta e o desenvolvimento de materiais envolvem atualmente um ciclo iterativo de síntese de materiais, experimentos para medir as propriedades dos materiais e simulações computacionais dispendiosas para compreender os mecanismos subjacentes. Esta abordagem é demorada, cara e ineficiente, e normalmente requer especialistas humanos com profundo conhecimento de física ou química.

A nova abordagem de aprendizado de máquina multifidelidade agiliza o processo de design, identificando com eficiência os candidatos a materiais mais promissores, sem a necessidade de realizar muitos experimentos demorados ou cálculos de alta fidelidade.

"Uma simulação computacional típica de alta fidelidade pode levar uma semana ou até meses para ser concluída", disse o co-autor Dr. Xiaoqing Huang, do Departamento de Ciência de Materiais e Metalurgia. para obter resultados computacionais de alta fidelidade para todos eles. Nossa estrutura de aprendizado profundo multi-fidelidade supera isso utilizando simulações baseadas em física de baixo custo e medições experimentais para orientar o aprendizado de modelos de alta fidelidade.

Ao reduzir significativamente o tempo e o custo associados à descoberta de materiais, a nova técnica de aprendizado de máquina multifidelidade pode acelerar o desenvolvimento de materiais novos e aprimorados para uma ampla gama de aplicações, incluindo armazenamento de energia, catálise e aeroespacial.

"Acreditamos que nossa abordagem pode não apenas permitir avanços na descoberta e desenvolvimento de materiais, mas também beneficiar a ciência computacional e o design em outras disciplinas, como química, biologia e pesquisa farmacêutica", disse o autor sênior, Professor Li Yang, do Departamento de Ciência e Materiais de Materiais. Metalurgia. “Esperamos que este trabalho abra caminho para a integração de simulações e experimentos em múltiplas escalas em uma estrutura baseada em dados para pesquisa científica e projetos de engenharia.”