Key takeaways
- Forskere har beskrevet en metode som bruker AI for å finne nye sjeldne jordartsforbindelser.
- Sjeldne jordartsforbindelser finnes i mange høyteknologiske produkter som mobiltelefoner, klokker og nettbrett.
- AI kan brukes på mange områder der problemene er så komplekse at forskere ikke kan utvikle konvensjonelle løsninger via matematikk eller simuleringer av kjent fysikk.
En ny metode for å finne sjeldne jordartsforbindelser ved bruk av kunstig intelligens kan føre til oppdagelser som revolusjonerer personlig elektronikk, sier eksperter.
Forskere fra Ames Laboratory og Texas A&M University trente en maskinlæringsmodell (ML) for å vurdere stabiliteten til sjeldne jordartsforbindelser. Sjeldne jordelementer har mange bruksområder, inkludert ren energiteknologi, energilagring og permanente magneter.
"Nye forbindelser kan muliggjøre fremtidige teknologier som vi ikke engang kan fatte ennå," sa Yaroslav Mudryk, prosjektlederen, til Lifewire i et e-postintervju.
Finning Minerals
For å forbedre søket etter nye forbindelser brukte forskere maskinlæring, en form for kunstig intelligens (AI) drevet av dataalgoritmer som forbedres gjennom databruk og erfaring. Forskere brukte også high-throughput screening, et beregningsskjema som lar forskere teste hundrevis av modeller raskt. Arbeidet deres ble beskrevet i en nylig artikkel publisert i Acta Materialia.
Før AI var oppdagelsen av nytt materiale hovedsakelig basert på prøving og feiling, sa Prashant Singh, et av teammedlemmene, i en e-post til Lifewire. AI og maskinlæring lar forskere bruke materialdatabaser og beregningsteknikker for å kartlegge både kjemisk stabilitet og fysiske egenskaper til nye og eksisterende forbindelser.
"For eksempel kan det ta 20-30 år å ta et nyoppdaget materiale fra lab til marked, men AI/ML kan øke hastigheten betydelig på denne prosessen ved å simulere materialegenskaper på datamaskiner før du setter foten inn i et laboratorium," Singh sa.
AI revolusjonerer måten vi tenker på å løse mange av disse høydimensjonale komplekse problemene, og det åpner en ny måte å tenke på fremtidige muligheter.
AI slår eldre metoder for å finne nye forbindelser, sa Joshua M. Pearce, John M. Thompson-leder i informasjonsteknologi og innovasjon ved Western University, i et e-postintervju.
"Antallet potensielle forbindelser, kombinasjoner, kompositter og nye materialer er imponerende," la han til. "I stedet for å bruke tid og penger på å lage og screene hver enkelt for en spesifikk applikasjon, kan AI brukes til å forutsi materialer med nyttige egenskaper. Da kan forskere fokusere innsatsen."
Markus J. Buehler, McAfee-professor i ingeniørfag ved MIT, sa i et e-postintervju at den nye artikkelen viser kraften ved å bruke maskinlæring.
"Det er en dramatisk distinkt måte å gjøre slike funn på enn det vi har vært i stand til å gjøre tidligere - oppdagelser er nå raskere, mer effektive og kan være mer målrettet mot applikasjoner," sa Buehler. "Det som er spennende med arbeidet til Singh et al, er at de kombinerer banebrytende materialverktøy (density Functional Theory, en måte å løse kvanteproblemer) med verktøy for materialinformatikk. Det er definitivt en måte som kan brukes på mange andre materialdesign problemer."
Endeløse muligheter
Sjeldne jordartsforbindelser finnes i mange høyteknologiske produkter som mobiltelefoner, klokker og nettbrett. For eksempel, i skjermer, tilsettes disse forbindelsene for å gi materialer med svært målrettede optiske egenskaper. De brukes også i mobiltelefonens kamera.
"De er på en eller annen måte et slags vidundermateriale som fungerer som et viktig element i moderne sivilisasjon," sa Buehler. "Det er imidlertid utfordringer med hvordan de utvinnes og hvordan de leveres. Derfor må vi utforske bedre måter å enten bruke dem mer effektivt eller erstatte funksjonene med nye kombinasjoner av alternative materialer."
Det er ikke bare mineralforbindelser som kan dra nytte av maskinlæringstilnærmingen som brukes av forfatterne av den nye artikkelen. AI kan brukes på mange områder der problemene er så komplekse at forskere ikke kan utvikle konvensjonelle løsninger via matematikk eller simuleringer av kjent fysikk, sa Buehler.
"Tross alt har vi ennå ikke de riktige modellene for å relatere strukturen til et materiale til dets egenskaper," la han til. "Et område er i biologi, spesielt proteinfolding. Hvorfor fører noen proteiner, etter å ha en liten genetisk endring, til sykdom? Hvordan kan vi utvikle nye kjemiske forbindelser for å behandle sykdom eller utvikle nye legemidler?"
En annen mulighet er å finne en måte å forbedre ytelsen til betong for å redusere karbonpåvirkningen, sa Buehler. For eksempel kan materialets molekylære geometri ordnes annerledes for å gjøre materialer mer effektive slik at vi får mer styrke med mindre materialbruk og at materialene varer lenger.
"AI revolusjonerer måten vi tenker på å løse mange av disse høydimensjonale komplekse problemene, og det åpner en ny måte å tenke på fremtidige muligheter," la han til. "Vi er bare i begynnelsen av en spennende tid."
