Att ta fram nya material tar mycket tid, pengar och ansträngning. Nyligen, ett POSTECH-forskargrupp har tagit ett steg mot att skapa nytt material genom att tillämpa AI för att utveckla högentropilegeringar (HEA) som kallas ti 'legeringar av legeringar'.

Ett gemensamt forskargrupp ledd av professor Seungchul Lee, Ph.D. kandidat Soo Young Lee, Professor Hyungyu Jin och doktorand kandidat Seokyeong Byeon vid institutionen för maskinteknik tillsammans med professor Hyoung Seop Kim vid institutionen för materialvetenskap och teknik har tillsammans utvecklat en teknik för fasprognoser för HEA med AI. Resultaten från studien publicerades i det senaste numret av Material och design , en internationell tidskrift om materialvetenskap.

Metallmaterial tillverkas konventionellt genom att blanda huvudelementet för den önskade egenskapen med två eller tre hjälpelement. I kontrast, HEAs är gjorda med lika eller liknande proportioner av fem eller flera element utan huvudelement. De typer av legeringar som kan tillverkas så här är teoretiskt oändliga och har exceptionell mekanisk, termisk, fysisk, och kemiska egenskaper. Legeringar som är resistenta mot korrosion eller extremt låga temperaturer, och höghållfasta legeringar har redan upptäckts.

Dock, tills nu, att designa nya högentropiska legeringsmaterial baserades på försök och fel, vilket kräver mycket tid och pengar. Det var ännu svårare att på förhand bestämma fasen och de mekaniska och termiska egenskaperna hos den högentropiska legeringen som utvecklas.

Till detta, det gemensamma forskargruppen fokuserade på att utveckla förutsägelsemodeller för HEA med förbättrad fasförutsägelse och förklarbarhet med hjälp av djupinlärning. De tillämpade djupinlärning genom tre perspektiv:modelloptimering, datagenerering och parameteranalys. Särskilt, fokus låg på att bygga en datahöjande modell baserad på det villkorade generativa kontradiktoriska nätverket. Detta tillät AI -modeller att återspegla prover av HEA som ännu inte har upptäckts, på så sätt förbättras fasförutsägelsens noggrannhet jämfört med konventionella metoder.

Dessutom, forskargruppen utvecklade en beskrivande AI-baserad HEA-fasprognosmodell för att ge djupinlärningsmodeller tolkbarhet, som fungerar som en svart låda, samtidigt som den ger vägledning om viktiga designparametrar för att skapa HEA med vissa faser.

"Denna forskning är resultatet av att drastiskt förbättra begränsningarna för befintlig forskning genom att införliva AI i HEA som nyligen har väckt stor uppmärksamhet, "anmärkte professor Seungchul Lee. Han tillade, "Det är viktigt att det gemensamma forskargruppens tvärvetenskapliga samarbete har gett resultat som kan påskynda AI-baserad tillverkning av nya material."

Professor Hyungyu Jin tillade också, "Resultaten av studien förväntas kraftigt minska tiden och kostnaden som krävs för den befintliga nya materialutvecklingsprocessen, och att aktivt användas för att utveckla nya högentropilegeringar i framtiden. "