Key takeaways
- Forskere har beskrevet en metode, der bruger kunstig intelligens til at finde nye sjældne jordarters forbindelser.
- Sjældne jordarters forbindelser findes i mange højteknologiske produkter såsom mobiltelefoner, ure og tablets.
- AI kan anvendes på mange områder, hvor problemerne er så komplekse, at forskere ikke kan udvikle konventionelle løsninger via matematik eller simuleringer af kendt fysik.
En ny metode til at finde sjældne jordarters forbindelser ved hjælp af kunstig intelligens kan føre til opdagelser, der revolutionerer personlig elektronik, siger eksperter.
Forskere fra Ames Laboratory og Texas A&M University trænede en maskinlæringsmodel (ML) til at vurdere stabiliteten af sjældne jordarters forbindelser. Sjældne jordarters elementer har mange anvendelsesmuligheder, herunder ren energiteknologi, energilagring og permanente magneter.
"Nye forbindelser kan muliggøre fremtidige teknologier, som vi ikke engang kan gennemskue endnu," sagde Yaroslav Mudryk, projektlederen, til Lifewire i et e-mailinterview.
Find mineraler
For at forbedre søgningen efter nye forbindelser brugte videnskabsmænd maskinlæring, en form for kunstig intelligens (AI) drevet af computeralgoritmer, der forbedres gennem databrug og erfaring. Forskere brugte også high-throughput screening, en beregningsmetode, der giver forskere mulighed for hurtigt at teste hundredvis af modeller. Deres arbejde blev beskrevet i et nyligt papir offentliggjort i Acta Materialia.
Før AI var opdagelsen af nye materialer primært baseret på forsøg og fejl, sagde Prashant Singh, et af teammedlemmerne, i en e-mail til Lifewire. AI og maskinlæring lader forskere bruge materialedatabaser og beregningsteknikker til at kortlægge både kemisk stabilitet og fysiske egenskaber af nye og eksisterende forbindelser.
"For eksempel kan det tage 20-30 år at tage et nyopdaget materiale fra laboratorium til marked, men AI/ML kan fremskynde denne proces betydeligt ved at simulere materialeegenskaber på computere, før man sætter sin fod i et laboratorium," Singh sagde.
AI revolutionerer, hvordan vi tænker på at løse mange af disse højdimensionelle komplekse problemer, og det åbner en ny måde at tænke på fremtidige muligheder.
AI slår ældre metoder til at finde nye forbindelser, sagde Joshua M. Pearce, John M. Thompson-læreren i informationsteknologi og innovation ved Western University, i et e-mailinterview.
"Antallet af potentielle forbindelser, kombinationer, kompositter og nye materialer er forbløffende," tilføjede han. "I stedet for at bruge tid og penge på at lave og screene hver enkelt for en specifik applikation, kan AI bruges til at hjælpe med at forudsige materialer med nyttige egenskaber. Så kan forskerne fokusere deres indsats."
Markus J. Buehler, McAfee-professor i ingeniørvidenskab ved MIT, sagde i et e-mailinterview, at det nye papir viser styrken ved at bruge maskinlæring.
"Det er en dramatisk særskilt måde at gøre sådanne opdagelser på, end hvad vi tidligere har kunnet gøre - opdagelser er nu hurtigere, mere effektive og kan være mere målrettet mod applikationer," sagde Buehler. "Det spændende ved arbejdet af Singh et al er, at de kombinerer banebrydende materialeværktøjer (Density Functional Theory, en måde at løse kvanteproblemer på) med værktøjer inden for materialeinformatik. Det er bestemt en måde, der kan anvendes til mange andre materialedesign problemer."
Uendelige muligheder
Sjældne jordarters forbindelser findes i mange højteknologiske produkter såsom mobiltelefoner, ure og tablets. For eksempel tilsættes disse forbindelser i displays til at give materialer med meget målrettede optiske egenskaber. De bruges også i din mobiltelefons kamera.
"De er på en eller anden måde en slags vidundermateriale, der fungerer som et vigtigt element i den moderne civilisation," sagde Buehler. "Der er imidlertid udfordringer med, hvordan de udvindes, og hvordan de leveres. Derfor er vi nødt til at udforske bedre måder at enten bruge dem mere effektivt eller erstatte funktionerne med nye kombinationer af alternative materialer."
Det er ikke kun mineralske forbindelser, der kan drage fordel af den maskinlæringstilgang, som forfatterne til det nye papir bruger. AI kan anvendes på mange områder, hvor problemerne er så komplekse, at videnskabsmænd ikke kan udvikle konventionelle løsninger via matematik eller simuleringer af kendt fysik, sagde Buehler.
"Vi har trods alt endnu ikke de rigtige modeller til at relatere strukturen af et materiale til dets egenskaber," tilføjede han. "Et område er i biologi, specifikt proteinfoldning. Hvorfor fører nogle proteiner, efter at have haft en lille genetisk ændring, til sygdom? Hvordan kan vi udvikle nye kemiske forbindelser til at behandle sygdom eller udvikle nye lægemidler?"
En anden mulighed er at finde en måde at forbedre betonens ydeevne for at reducere dens kulstofpåvirkning, sagde Buehler. For eksempel kunne materialets molekylære geometri arrangeres anderledes for at gøre materialer mere effektive, så vi får mere styrke med mindre materialeforbrug, og at materialerne holder længere.
"AI revolutionerer, hvordan vi tænker på at løse mange af disse højdimensionelle komplekse problemer, og det åbner en ny måde at tænke på fremtidige muligheder," tilføjede han. "Vi er kun ved begyndelsen af en spændende tid."
