Ingenjörer letar alltid efter material med mycket specifika egenskaper för sina projekt. Tyvärr, det finns alldeles för många alternativ för forskare att helt enkelt gissa och kolla tills de hittar det de letar efter. Även om de skulle simulera material, istället för att testa dem i labbet, det skulle ta alldeles för lång tid att hitta ett lämpligt material.

Lyckligtvis, forskare har skapat algoritmer med hjälp av artificiell intelligens som kommer att hitta rätt material för alla projekt. I en nyligen publicerad tidning, ett team av forskare från Carnegie Mellon University och University of Calgary har förbättrat en av dessa algoritmer, gör det möjligt för forskare att snabbt och exakt hitta material med önskade egenskaper.

"Eftersom materialrymden är så enorm, det är mycket svårt att experimentellt och beräkningsmässigt karakterisera materialegenskaperna, " sa Amir Barati Farimani, en biträdande professor i maskinteknik vid CMU. "Så vi skapar algoritmer, eller modeller, som snabbt kan förutsäga materialegenskaperna."

För att använda artificiell intelligens, eller AI, forskare måste först träna algoritmen med hjälp av kända data. Sedan, Algoritmen lär sig att extrapolera nya idéer från den informationen. Barati Farimani och hans team tränade algoritmen med data om den kemiska sammansättningen av material. Särskilt, de inkluderade information om den roll elektroner spelar för att bestämma materialegenskaper. Dessa kemiska data har skapat en ny materialdeskriptor för algoritmen, enligt Barati Farimani.

Eftersom denna algoritm kan förutsäga egenskaperna hos ett stort antal material, den har många applikationer. Till exempel, Algoritmen kunde hitta ett material med termiska egenskaper som lämpar sig för solpaneler. Dessutom, det kan identifiera material för tillverkning av droger och batterier. För att använda denna algoritm, en forskare kan helt enkelt låta de förutbildade modellerna för djupinlärning hitta den egenskap de tittar på.

Sättet som dessa algoritmer förbättras är genom att de blir snabbare och mer exakta. Om algoritmen inte är tillräckligt exakt, resultaten kommer att vara oanvändbara. Om algoritmen är för långsam, forskare kommer aldrig att kunna få tillgång till resultaten. För närvarande, teamet har upptäckt att deras algoritm är bättre än andra ledande algoritmer.

"Du kan använda den här algoritmen och träna en modell för djupinlärning och förutsäga dem på en bråkdel av sekunder, ", sa Barati Farimani. "Det väsentliga är att bevisa att det förutsäger olika typer av material med hög noggrannhet - då kan varje industri använda det."

Deras tidning publicerades i Material för fysisk granskning . CMU-postdoktor Mohammadreza Karamad, Ph.D. student Rishikesh Magar, och forskaren Yuting Shi listades också som medförfattare. Andra författare inkluderar Samira Siahrostami och Ian D. Gates från University of Calgary.