Maskininlärning kan användas för att utveckla framtidens material med ändamålsenliga egenskaper, visar ny forskning. Metoden som har utvecklats av WASP-forskaren Stefan Bauer och hans kollegor publiceras nu i den vetenskapliga tidskriften Science och resultaten banar väg för nya tekniska utvecklingar.
Nästa generations tekniska tillämpningar inom exempelvis förnybar energiteknik och transport kräver nya material med optimala egenskaper. Högentropilegeringar (HEA) har potential att kunna möta behoven eftersom de har hög hållfasthet och hårdhet, bra slitstyrka och korrosionsbeständighet. Dessutom är HEAs lämpliga för hög- och lågtemperaturapplikationer, såsom i flygmotorer eller för transport av flytande väte, ammoniak och naturgas.
Traditionella legeringar består av en eller två huvudkomponenter med mindre mängder av andra grundämnen, medan HEAs är uppbyggda av fem eller flera huvudkomponenter i liknande koncentrationer. Vid design av legeringar används i dag termodynamiska beräkningsmodeller i kombination med tidskrävande experiment. Men dessa modeller fungerar ofta dåligt för de komplexa kemiska sammansättningarna i HEAs.
Miljontals möjliga sammansättningar
I en ny studie har WASP-forskaren Stefan Bauer och hans kollegor använt maskininlärning, en tillämpning av AI, för design av HEAs, baserat på ett fåtal experimentella data. Modellen kunde karaktärisera 17 nya potentiella HEAs, utifrån miljontals möjliga komponentsammansättningar. Bland dessa identifierades två högentropilegeringar med extremt låg värmeutvidgning, vilket är önskvärt för högtemperaturapplikationer. Hela arbetsflödet tog bara några månader, i motsats till ett konventionellt tillvägagångssätt för legeringsdesign, som vanligtvis tar år.
Biträdande professor inom WASP vid KTH
Stefan Bauer är forskare inom Wallenberg AI, Autonomous Systems and Software Program, WASP och började sin tjänst som biträdande professor vid Kungliga tekniska högskolan i Stockholm i juli 2021. Med en bakgrund inom matematik och ekonomi tog han sin doktorsexamen i datavetenskap från ETH Zürich och belönades med ETH medalj för en enastående doktorsavhandling. Tidigare var han ledare för en forskargrupp vid Max Planckinstitutet i Düsseldorf. Hans forskning fokuserar på kausalitet och djupinlärning med målet att designa intelligenta AI-system.
Studien som publiceras i det senaste numret av Science, möjliggör snabb och automatiserad upptäckt av högentropilegeringar, vilket banar väg för framtida tekniska utvecklingar.
Publikation: Machine learning-enabled high-entropy alloy discovery, Ziyuan Rao et al, 2022, Science. Till publikationen
Publicerad: 2022-10-06