En ny maskininlärningsalgoritm för att utforska lättvikt, mycket styva glaskompositioner kan hjälpa till att designa nästa generations material för effektivare fordon och vindkraftverk. Glasögon kan förstärka polymerer för att generera kompositmaterial som ger liknande styrkor som metaller men med mindre vikt.

Liang Qi, professor i materialvetenskap och teknik vid U-M, svarade på frågor om hans grupps nya uppsats i npj Beräkningsmaterial .

Vad är elastisk styvhet? Elastik och glas verkar inte vara två ord som går ihop.

Alla fasta material, inklusive glas, har en egenskap som kallas elastisk styvhet - även känd som elastisk modul. Det är ett mått på hur mycket kraft per ytenhet som behövs för att få materialet att böjas eller töjas. Om förändringen är elastisk, materialet kan helt återställa sin ursprungliga form och storlek när du stoppar kraften.

Varför vill vi ha lätta och mycket styva glasögon?

Elastisk styvhet är avgörande för alla material i strukturella tillämpningar. Högre styvhet innebär att du kan upprätthålla samma kraftbelastning med ett tunnare material. Till exempel, konstruktionsglaset i bilens vindrutor, och i pekskärmar på smartphones och andra skärmar, kan göras tunnare och lättare om glasögonen är styvare. Glasfiberkompositer är allmänt använda lätta material för bilar, lastbilar och vindkraftverk, och vi kan göra dessa delar ännu lättare.

Lättare fordon kan gå längre på en gallon gas - sex till åtta procent längre för en tio procents viktminskning, enligt U.S.Office of Energy Efficiency and Renewable Energy. Viktminskning kan också avsevärt öka utbudet av elfordon.

Lättare, styvare glas kan göra det möjligt för vindturbinblad att överföra vindkraft till el mer effektivt eftersom mindre vindkraft är "bortkastad" för att få bladen att rotera. Det kan också möjliggöra längre vindkraftverk, som kan generera mer el under samma vindhastighet.

Vilka är utmaningarna i att försöka designa lätta men spänstiga glasögon?

Eftersom glasögon är amorfa - eller störda - material, det är svårt att förutsäga deras atomistiska strukturer och motsvarande fysikaliska/kemiska egenskaper. Vi använder datasimuleringar för att påskynda studiet av glasögon, men de kräver så mycket datortid att det är omöjligt att undersöka varje möjlig glaskomposition.

Det andra problemet är att vi inte har tillräckligt med data om glaskompositioner för att maskininlärning ska vara effektiv för att förutsäga glasegenskaper för nya glaskompositioner. Maskininlärningsalgoritmer matas med data, och de hittar mönster i data som gör det möjligt för dem att göra förutsägelser. Men utan tillräckligt med rätt träningsdata, deras förutsägelser är inte tillförlitliga - precis som en politisk undersökning som genomfördes i Ohio inte kan förutsäga valet i Michigan.

Hur övervann du dessa hinder?

Först, vi använde befintliga datorsimuleringar med hög kapacitet för att generera data om densitet och elastisk styvhet hos olika glasögon. Andra, Vi utvecklade maskininlärningsmodellen som är mer lämplig för en liten mängd data - eftersom vi fortfarande inte hade mycket data enligt maskininlärningsstandarder. Vi utformade det så att det viktigaste det uppmärksammar är styrkan i interaktionen mellan atomer. I huvudsak, vi använde fysik för att ge det tips om vad som var viktigt i data, och det förbättrar kvaliteten på dess förutsägelser för nya kompositioner.

Vad kan din modell göra?

Medan vi utbildade vår maskininlärningsmodell med glasögon av kiseldioxid och ett eller två andra tillsatser, vi fann att det exakt kunde förutsäga lätthet och elastisk styvhet hos mer komplexa glasögon, med mer än tio olika komponenter. Den kan skärma upp till 100, 000 olika kompositioner på en gång.

Vad är nästa steg?

Lätthet och elastisk styvhet är bara två egenskaper som är viktiga vid utformning av glasögon. Vi måste också veta deras styrka, seghet, och deras smälttemperaturer. Genom att öppna våra data och metoder öppet, Vi hoppas kunna inspirera utvecklingen av nya modeller inom glasforskningsgemenskapen.