Teamet, ledd av forskare från University of Cambridge, utvecklade en "multi-fidelity" maskininlärningsmetod för att förutsäga egenskaperna hos material. Denna metod kombinerade information om materialets struktur erhållen med hjälp av beräkningstekniker med experimentella mätningar för att bygga noggranna prediktiva modeller med algoritmer för djupinlärning.
Forskarna testade multifidelity-metoden på fyra material:stållegeringar, högentropilegeringar, termoelektriska material och metallorganiska ramverk. De visade att deras metod uppnådde toppmodern prestanda när det gäller att förutsäga egenskaperna hos dessa material.
Till exempel, för stållegeringar, förutspådde multifidelity-modellen materialets sträckgräns med ett genomsnittligt absolut fel (MAE) på endast 1,8 %, jämfört med 4,5 % för den bästa tidigare metoden. För högentropilegeringar förutspådde multifidelity-modellen materialets Vickers-hårdhet med en MAE på 2,3 %, jämfört med 5,8 % för den bästa tidigare metoden.
"Maskininlärningstekniker kan förutsäga egenskaper hos material och avsevärt minska tiden och kostnaderna för materialupptäckt", säger medförfattaren Dr. Hao Wu från Institutionen för materialvetenskap och metallurgi vid Cambridge. "Men för maskininlärning att ge beräkningseffektiva förutsägelser med hög tillförlitlighet måste vi kombinera flera kompletterande informationskällor, såsom fysikinformerade modeller och experimentella mätningar."
Materialupptäckt och -utveckling involverar för närvarande en iterativ cykel av materialsyntes, experiment för att mäta materialegenskaper och kostsamma beräkningssimuleringar för att förstå de underliggande mekanismerna. Detta tillvägagångssätt är tidskrävande, dyrt och ineffektivt, och det kräver vanligtvis mänskliga experter med djup kunskap om fysik eller kemi.
Det nya tillvägagångssättet för multifidelity-maskininlärning effektiviserar designprocessen genom att effektivt identifiera de mest lovande materialkandidaterna utan att behöva utföra många tidskrävande experiment eller high-fidelity-beräkningar.
"En typisk beräkningssimulering med hög kvalitet kan ta en vecka eller till och med månader att slutföra", säger den första författaren Dr. Xiaoqing Huang från Institutionen för materialvetenskap och metallurgi. "Om vi vill utforska hundratals material är det praktiskt taget omöjligt att genomföra för att erhålla beräkningsresultat med hög kvalitet för dem alla. Vårt ramverk för djupinlärning övervinner detta genom att använda billiga fysikbaserade simuleringar och experimentella mätningar för att vägleda inlärningen av högfientlighetsmodeller.
Genom att avsevärt minska tiden och kostnaderna för att hitta material, kan den nya multifidelity-maskininlärningstekniken påskynda utvecklingen av nya och förbättrade material för ett brett spektrum av applikationer, inklusive energilagring, katalys och flyg.
"Vi tror att vårt tillvägagångssätt inte bara kan möjliggöra genombrott inom materialupptäckt och -utveckling utan också gynna beräkningsvetenskap och design inom andra discipliner, såsom kemi, biologi och läkemedelsforskning", säger seniorförfattaren professor Li Yang från Institutionen för materialvetenskap &Metallurgi "Vi hoppas att detta arbete kommer att bana väg för att integrera flerskaliga simuleringar och experiment i ett datadrivet ramverk för vetenskaplig forskning och ingenjörsdesign."
