Los metales fuertes anormales conocidos como Placas de Phiam y Bone de la rodilla, componentes de aeronaves y convertidores catalicos, múltiples compuestos de fábrica principal (MPEA) son mucho más fuertes que la inteligencia artificial.
El profesor asociado Sankat Deshmukh en Ingeniería Química, y su equipo, ha desarrollado una nueva MPEA con altas características mecánicas utilizando un marco de datos que explica la explicación del poder de supercomparte de inteligencia artificial (IA). Los resultados del financiamiento de la National Science Foundation se publicaron recientemente en Nature Material de computadora NPJ.
“Este trabajo muestra cómo el marco y la explicación que funcionan con datos pueden desbloquear nuevas posibilidades en el diseño del contenido de IA”, dijo Deshmukh. “Al conectar el aprendizaje automático, los algoritmos evolutivos y la verificación experimental, no solo aceleramos el descubrimiento de los compuestos de metal modernos, sino también haciendo herramientas que pueden ampliarse a sistemas de materiales complejos como GlyCorts.
Armonía elemental, características inusuales
MPEAS es valioso debido a sus extraordinarias propiedades y capacidades mecánicas. Contan tres o más elementos de metal, estos compuestos están hechos para ofrecer una excelente estabilidad térmica, resistencia, dureza y corrosión y resistencia al desgaste. Dado que pueden hacer frente a condiciones extremas durante metales compuestos más largos que el tradicional, son ideales para aplicaciones en tecnologías aeroespaciales, médicas y de energía renovable.
El objetivo principal del equipo era desarrollar un nuevo metal egipcio con una mayor resistencia mecánica que el modelo actual.
Tradicionalmente, el diseño de MPEAS implica pruebas y errores, lo cual es lento y costoso. Pero Deshmukh y su equipo están buscando una amplia gama de posibilidades para diseñar MPEA con IA. Una diferencia importante entre la IA estándar y la explicación AI es que los modelos de IA tradicionales a menudo se comportan como “cajas negras”: producen predicciones, pero no siempre entendemos cómo y por qué se hacen estas predicciones. La IA explicativa resuelve este rango al proporcionar información sobre el proceso de toma de decisiones del modelo.
En su trabajo, el equipo utilizó una técnica llamada Análisis de la tienda (Shelley Edito Explation) para interpretar las predicciones hechas por su modelo de IA. Esto ayudó a los miembros del equipo a comprender cómo los diferentes elementos y su entorno local afectan las características de la MPEA. Como resultado, no solo recibieron las predicciones correctas, sino que también lograron valiosas ideas científicas.
La IA puede predecir las características de los nuevos MPEA en función de su formación y puede mejorar la combinación de elementos elementos de aplicaciones específicas. Usando conjuntos de datos más grandes que los experimentos e imitación, AIPPE puede ayudar a describir el comportamiento mecánico del AS, que puede guiar el nuevo diseño de aleación avanzada.
“La explicación acelera nuestra comprensión del comportamiento mecánico de Aimpea”, dijo Fingsey “Toby” Wang, un asociado post -documental en la ingeniería química e investigador del proyecto. Ofrece un enfoque fuerte para el descubrimiento. “
La cooperación condujo a éxitos
Deshmukh trabajó con artículos y socios de organizaciones sobre la investigación:
- Profesor de Ciencia e Ingeniería de Metal en Tille McQuin, Universidad John Hopkins
-
Maren Roman, profesora de biometranos sostenibles en Virginia Tech y directora de Galcump, una Fundación Nacional de Ciencias Mad. Plataforma de innovación
“Trabajar en un proyecto es un comportamiento formal”, dijo Elan Ivanki, un estudiante graduado en ciencias e ingeniería material en Johns Hopkins, quien combinó y examinó la mezcla. “Este trabajo trae dos campos: biometría de competencia y materiales inorgánicos artificiales. Es interesante obtener los resultados significativos de ambos grupos”.
Inicialmente, después de centrarse en estos sistemas libres de solventes, el Deshmukh y su equipo ya han extendido este marco computacional para materiales más complejos, como el diseño de nuevos glicoles, que incluye aplicaciones potenciales en una amplia gama de productos, incluidos editores de alimentos, productos personalizados, productos personalizados. Este progreso no solo destaca el traductor de esta investigación, sino que también allanó el camino para futuros avances en ciencia material y biotecnología.
“Nuestra cooperación interreligiosa en las plataformas materiales de las dos sustancias de la National Science Foundation de la National Science Foundation no solo nos permite desarrollar herramientas y plataformas de transferencia, sino que también enciende cómo los cálculos, combinaciones y asociaciones en la intersección de las características son la ciencia básica y el mundo real”.
