Superhårda material är efterfrågade inom industrin, från energiproduktion till rymd, men att hitta lämpliga nya material har till stor del varit en fråga om försök och fel baserade på klassiska material som diamanter. Tills nu.

Forskare från University of Houston och Manhattan College har rapporterat en maskininlärningsmodell som exakt kan förutsäga hårdheten hos nya material, gör det möjligt för forskare att lättare hitta föreningar som är lämpliga för användning i en mängd olika applikationer. Arbetet rapporterades i Avancerade material .

Material som är superhårda - definieras som material med ett hårdhetsvärde som överstiger 40 gigapascal på Vickers -skalan, vilket betyder att det skulle ta mer än 40 gigapascal tryck för att lämna en fördjupning på materialets yta - är sällsynta.

"Det gör det svårt att identifiera nya material, "sa Jakoah Brgoch, docent i kemi vid UH och motsvarande författare för uppsatsen. "Det är därför material som syntetisk diamant fortfarande används trots att de är utmanande och dyra att göra."

En av de komplicerade faktorerna är att materialets hårdhet kan variera beroende på det tryck som utövas, kallas belastningsberoende. Det gör att testa ett material experimentellt komplext och använda beräkningsmodellering idag nästan omöjligt.

Den modell som forskarna rapporterat övervinner det genom att förutsäga den belastningsberoende Vickers hårdheten enbart baserad på materialets kemiska sammansättning. Forskarna rapporterar att de hittar mer än 10 nya och lovande stabila borokarbidfaser; nu pågår ett arbete med att designa och producera materialen så att de kan testas i labbet.

Baserat på modellens rapporterade noggrannhet, oddsen är bra. Forskare rapporterade noggrannheten till 97%.

Förste författaren Ziyan Zhang, doktorand vid UH, sa att databasen byggd för att träna algoritmen är baserad på data som omfattar 560 olika föreningar, var och en ger flera datapunkter. Hitta de data som krävs genom att granska över hundratals publicerade akademiska uppsatser för att hitta data som behövs för att bygga en representativ datamängd.

"Alla bra maskininlärningsprojekt börjar med en bra dataset, "sa Brgoch, som också är en huvudutredare vid Texas Center for Superconductivity vid UH. "Den verkliga framgången är till stor del utvecklingen av denna dataset."

Förutom Brgoch och Zhang, ytterligare forskare på projektet inkluderar Aria Mansouri Tehrani och Blake Day, båda med UH, och Anton O. Oliynyk från Manhattan College.

Forskare har traditionellt använt maskininlärning för att förutsäga en enda variabel av hårdhet, Brgoch sa, men det tar inte hänsyn till fastighetens komplexitet som belastningsberoende, som han sa fortfarande inte är väl förstådda. Det gör maskininlärning till ett bra verktyg, trots tidigare begränsningar.

"Ett maskininlärningssystem behöver inte förstå fysiken, "sa han." Det analyserar bara träningsdata och gör nya förutsägelser baserade på statistik. "

Maskininlärning har begränsningar, fastän.

"Tanken med att använda maskininlärning är inte att säga, 'Här är det näst största materialet, 'men för att vägleda vår experimentella sökning, "Sa Brgoch." Det berättar var du ska leta. "