En teknisk A&M ingenjörsforskargrupp utnyttjar kraften i maskininlärning, datavetenskap och expertkunskaper för att autonomt upptäcka nytt material.

Teamet utvecklade och demonstrerade ett autonomt och effektivt ramverk som optimalt kan utforska ett materialdesignutrymme (materialdesignutrymmet är en abstraktion av betongvärlden. Det är utrymmet för alla möjliga material som studeras, kännetecknas av grundläggande materialdrag).

Ett autonomt system - eller artificiell intelligens (AI) - definieras som alla system som kan bygga en intern representation, eller modell, av intresseproblemet, och som sedan använder modellen för att fatta beslut och vidta åtgärder oberoende av mänskligt engagemang.

Författarna till detta tvärvetenskapliga arbete är Dr. Anjana Talapatra och Dr. Raymundo Arroyave från Institutionen för materialvetenskap och teknik, och Shahin Boluki, Dr Xiaoning Qian och Dr. Edward Dougherty från avdelningen för el- och datateknik.

Deras autonoma ram kan adaptivt välja de bästa maskininlärningsmodellerna för att hitta det optimala materialet för att passa alla givna kriterier. Deras forskning, finansierad av National Science Foundation och Air Force Office of Scientific Research, kommer att minska tiden och kostnaden för att gå från lab till marknad genom att säkerställa största möjliga effektivitet i sökandet efter rätt material.

Den underliggande matematiska teorin har många tillämpningar, inklusive att påverka området biomedicin. Till exempel, med deras Bayesianska inlärnings- och experimentdesignramverk, en sjukdom kan modelleras för att avslöja kritiska riskfaktorer för att utveckla effektiva läkemedel för specifika patienter och minska kostnaden för kliniska prövningar på människor.

"Avancerat material är avgörande för ekonomisk säkerhet och mänskligt välbefinnande, med applikationer inom industrier som syftar till att hantera utmaningar inom ren energi, nationell säkerhet och mänsklig välfärd, ändå kan det ta 20 eller fler år att flytta ett material efter första upptäckten till marknaden. - Materials Genome Initiative

Teamet ville testa ramarna fullständigt, så de genomförde demonstrationen i en beräknad plattform med sluten slinga, med hjälp av kvantmekanik för att förutsäga egenskaper hos MAX-faser, som är lovande material för applikationer med hög temperatur, inklusive nya oxidationsbeständiga beläggningar för turbinblad med jetmotor. Texas A&M-gruppen tillämpar också ramen för upptäckten av högtemperaturformade minneslegeringar som kan användas för att bygga flyg- och rymdfarkoster med morfingvingar, till exempel.

Autonom innovation

Betydande forskning om effektiva experimentdesigntekniker har gjorts tidigare. Dock, detta team är det första som använder en Bayesian -baserad teknik (vilket innebär att de gör en inventering av allt som är känt om en material/materialklass och utnyttjar den kunskapen för att hitta det bästa materialet) och använder det på ett autonomt sätt, kontinuerligt söker inte bara efter den näst bästa beräkningen/experimentet att köra utan också efter den bästa modellen för att representera de förvärvade data.

"Den påskyndade utforskningen av materialutrymmet för att identifiera konfigurationer med optimala egenskaper är en pågående utmaning, sa Talapatra, som arbetar som beräkningsvetare i Arroyaves Computational Materials -laboratorium. "Nuvarande paradigmer är centrerade kring tanken på att utföra denna utforskning genom experiment med hög genomströmning och/eller beräkning. Dessa tillvägagångssätt tar inte hänsyn till begränsningarna i tillgängliga resurser. Vi har tagit upp detta problem genom att utforma materialupptäckt som en optimal experimentdesign."

De metoder som presenteras i denna forskning är flexibla och anpassningsbara till olika forskningssituationer. Betydande, Talapatra och Bolukis algoritm kan fungera med mycket lite initial data, vilket gör den idealisk för ny materialforskning.

Algoritmen representerar ett smartare steg framåt jämfört med tidigare arbete på området. Andra algoritmer tvingar en att börja med en fördefinierad modell, som introducerar en begränsning i experimentet och kan snedvrida resultaten. "Vår algoritm kan automatiskt och autonomt bestämma vilken modell som är den bästa modellen av n modeller, när som helst, beroende på de inhämtade uppgifterna, "sa Talapatra. Det autonoma datorprogrammet minskar antalet steg och begränsar användningen av begränsade resurser. Eftersom det kan börja med så få som två experiment som initiala datapunkter, algoritmen är idealisk för att optimera inledande experiment och urskilja den bästa vägen framåt.

Det kan användas som ett ettstegsverktyg av experimenter för att helt enkelt besluta om nästa material att utforska, eller som ett rent beräkningsverktyg för att ersätta dyra beräkningsmodeller och minska beräkningskostnaderna. Det kan också användas i en kombinerad experimentell och beräknad installation. Åtminstonde, denna ram ger ett mycket effektivt sätt att bygga den ursprungliga datamängden eftersom den kan användas för att styra experiment eller beräkningar genom att fokusera på att samla in data i de delar av materialdesignutrymmet som kommer att resultera i den mest effektiva vägen för att uppnå det optimala materialet.

"Vanligtvis, materialforskning sker på ett mycket ad-hoc sätt och serendipitet tenderar att vara regel, snarare än undantaget, "sa Talapatra." Problemet är att du ofta inte känner till den grundläggande fysiken bakom varför ett material fungerar eller inte fungerar. Våra modeller är inte tillräckligt exakta. När du startar en materialupptäcktsresa, du börjar med den grundläggande fysiska kunskapen, till exempel antalet elektroner och vad som händer när elementen går ihop. Du måste hitta likheterna mellan funktionerna och egenskaperna. "

"Vi inkluderade så mycket vetenskap som möjligt i modellerna (artificiell intelligens), "sade Boluki, en doktorand som kommer att försvara sin avhandling nästa höst. Boluki och Talapatra arbetade som implementatörer i projektet och kodade det i python tillsammans.

Papperet om algoritmen har granskats fackligt, presenterade vid flera konferenser och fick god feedback från materialvetenskapliga och tekniska samhället. Ingenjörer och forskare vid Texas A&M använder redan programmet.

Från cellpatologi till materialvetenskap:Den matematiska grunden

Under 2011, Qian och Dougherty började samarbeta för att förbättra experimentdesign inom biomedicinsk forskning. De använde matematiska modeller för att se när celler går till tumörstadiet.

Samma år, federala beslutsfattare tillkännagav Materials Genome Initiative, som syftar till att påskynda upptäckten av nya avancerade material genom att kombinera användningen av beräknings- och experimentella verktyg tillsammans med digital data. Under de senaste åtta åren har rikstäckande, mycket tid, pengar och resurser har investerats i detta arbete.

Qian and Dougherty turned their focus to materials science problems in 2013. The team started working on optimal design problems two years ago, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", i Physical Review Materials .