Key Takeaways
- Istraživači su opisali metodu koja koristi AI za pronalaženje novih spojeva rijetkih zemalja.
- Jedinjenja rijetkih zemalja nalaze se u mnogim proizvodima visoke tehnologije kao što su mobilni telefoni, satovi i tableti.
- AI se može primijeniti na mnoga područja gdje su problemi toliko složeni da naučnici ne mogu razviti konvencionalna rješenja putem matematike ili simulacija poznate fizike.
Nova metoda pronalaženja spojeva rijetkih zemalja korištenjem umjetne inteligencije mogla bi dovesti do otkrića koja će revolucionirati ličnu elektroniku, kažu stručnjaci.
Istraživači iz laboratorije Ames i Texas A&M univerziteta obučili su model mašinskog učenja (ML) za procjenu stabilnosti spojeva rijetkih zemalja. Elementi rijetkih zemalja imaju mnoge namjene, uključujući tehnologije čiste energije, skladištenje energije i trajne magnete.
„Nova jedinjenja mogu omogućiti buduće tehnologije koje još ne možemo ni da zamislimo,” rekao je Yaroslav Mudryk, supervizor projekta, za Lifewire u intervjuu e-poštom.
Pronalaženje minerala
Da bi poboljšali potragu za novim jedinjenjima, naučnici su koristili mašinsko učenje, oblik veštačke inteligencije (AI) koju pokreću kompjuterski algoritmi koji se poboljšavaju korišćenjem podataka i iskustvom. Istraživači su također koristili skrining visoke propusnosti, računsku shemu koja omogućava istraživačima da brzo testiraju stotine modela. Njihov rad je opisan u nedavnom radu objavljenom u Acta Materialia.
Prije AI, otkrivanje novih materijala uglavnom je bilo zasnovano na pokušajima i greškama, rekao je Prashant Singh, jedan od članova tima, u e-poruci za Lifewire. AI i mašinsko učenje omogućavaju istraživačima da koriste baze podataka materijala i računarske tehnike za mapiranje i hemijske stabilnosti i fizičkih svojstava novih i postojećih jedinjenja.
"Na primjer, prijenos novootkrivenog materijala iz laboratorije na tržište može potrajati 20-30 godina, ali AI/ML može značajno ubrzati ovaj proces simulacijom svojstava materijala na računarima prije nego što kroči u laboratoriju, " Singh rekao.
AI revolucionira način na koji razmišljamo o rješavanju mnogih od ovih visokodimenzionalnih složenih problema i otvara novi način razmišljanja o budućim prilikama.
AI nadmašuje starije metode za pronalaženje novih jedinjenja, rekao je Joshua M. Pearce, katedra John M. Thompson za informacione tehnologije i inovacije na Univerzitetu Western, u intervjuu e-poštom.
"Broj potencijalnih spojeva, kombinacija, kompozita i novih materijala je zapanjujući", dodao je. „Umjesto da odvojite vrijeme i novac da napravite i pregledate svaki za određenu aplikaciju, AI se može koristiti za pomoć u predviđanju materijala s korisnim svojstvima. Tada naučnici mogu fokusirati svoje napore."
Markus J. Buehler, McAfee profesor inženjerstva na MIT-u, rekao je u intervjuu e-poštom da novi dokument pokazuje moć korištenja mašinskog učenja.
"To je dramatično različit način da se dođe do takvih otkrića od onoga što smo bili u mogućnosti da uradimo ranije - otkrića su sada brža, efikasnija i mogu biti više ciljana na aplikacije", rekao je Buehler. "Ono što je uzbudljivo u vezi s radom Singha i ostalih je to što oni kombinuju najsavremenije alate za materijale (Funkcionalna teorija gustoće, način rješavanja kvantnih problema) s alatima materijalne informatike. To je definitivno način koji se može primijeniti na mnoge druge dizajne materijala problemi."
Beskrajne mogućnosti
Jedinjenja rijetkih zemalja nalaze se u mnogim proizvodima visoke tehnologije kao što su mobilni telefoni, satovi i tableti. Na primjer, u displejima, ova jedinjenja se dodaju kako bi materijali dobili visoko ciljana optička svojstva. Koriste se i u kameri vašeg mobilnog telefona.
"Oni su, na neki način, neka vrsta čudesnog materijala koji služi kao važan element u modernoj civilizaciji", rekao je Buehler. "Međutim, postoje izazovi u tome kako se kopaju i kako se njima snabdijeva. Stoga moramo istražiti bolje načine da ih ili efikasnije koristimo ili da zamijenimo funkcije novim kombinacijama alternativnih materijala."
Ne samo mineralna jedinjenja mogu imati koristi od pristupa mašinskog učenja koji koriste autori novog rada. AI se može primijeniti na mnoga područja gdje su problemi toliko složeni da naučnici ne mogu razviti konvencionalna rješenja pomoću matematike ili simulacija poznate fizike, rekao je Buehler.
"Uostalom, još uvijek nemamo prave modele da povežemo strukturu materijala s njegovim svojstvima", dodao je. "Jedno područje je u biologiji, konkretno savijanje proteina. Zašto neki proteini, nakon male genetske promjene, dovode do bolesti? Kako možemo razviti nova hemijska jedinjenja za liječenje bolesti ili razviti nove lijekove?"
Druga mogućnost je pronalaženje načina za poboljšanje performansi betona kako bi se smanjio njegov utjecaj ugljika, rekao je Buehler. Na primjer, molekularna geometrija materijala mogla bi se urediti drugačije kako bi materijali bili efikasniji, tako da imamo više snage uz manje upotrebe materijala i da materijali traju duže.
"AI revolucionira način na koji razmišljamo o rješavanju mnogih od ovih visokodimenzionalnih složenih problema i otvara novi način razmišljanja o budućim prilikama", dodao je. "Upravo smo na početku uzbudljivog vremena."
