Blanda två eller tre metaller tillsammans och du får en legering som vanligtvis ser ut och fungerar som en metall, med dess atomer ordnade i stela geometriska mönster.

Men då och då, under de rätta förutsättningarna, du får något helt nytt:en futuristisk legering som kallas metallglas som är amorf, med sina atomer ordnade på alla sätt, ungefär som atomerna i glaset i ett fönster. Dess glasartade natur gör den starkare och lättare än dagens bästa stål, plus det står bättre mot korrosion och slitage.

Även om metallglas visar mycket lovande som skyddande beläggning och alternativ till stål, bara några tusen av de miljontals möjliga kombinationerna av ingredienser har utvärderats under de senaste 50 åren, och bara en handfull utvecklades till den grad att de kan bli användbara.

Nu är en grupp ledd av forskare vid Department of Energy SLAC National Accelerator Laboratory, National Institute of Standards and Technology (NIST) och Northwestern University har rapporterat en genväg för att upptäcka och förbättra metallglas - och, i förlängningen, andra svårfångade material - till en bråkdel av tid och kostnad.

Forskargruppen utnyttjade ett system vid SLAC:s Stanford Synchrotron Radiation Lightsource (SSRL) som kombinerar maskininlärning - en form av artificiell intelligens där datoralgoritmer hämtar kunskap från enorma mängder data - med experiment som snabbt gör och skärmar hundratals provmaterial vid en tid. Detta gjorde att laget kunde upptäcka tre nya blandningar av ingredienser som bildar metalliskt glas, och att göra detta 200 gånger snabbare än det kunde göras tidigare, de rapporterade idag i Vetenskapliga framsteg .

"Det tar vanligtvis ett eller två decennier att få ett material från upptäckt till kommersiell användning, "sade nordvästra professor Chris Wolverton, en tidig pionjär i att använda beräkningar och AI för att förutsäga nya material och en medförfattare till tidningen. "Det här är ett stort steg i att försöka pressa ner den tiden. Du kan börja med inget annat än en lista över egenskaper du vill ha i ett material och, använder AI, snabbt begränsa det enorma fältet av potentiella material till några bra kandidater. "

Det ultimata målet, han sa, är att komma till den punkt där en forskare kunde skanna hundratals provmaterial, få nästan omedelbar feedback från maskininlärningsmodeller och ha en annan uppsättning prover redo att testa nästa dag - eller till och med inom en timme.

Under det senaste halvseklet har forskare har undersökt cirka 6, 000 kombinationer av ingredienser som bildar metallglas, lade till pappersmedförfattare Apurva Mehta, en personalvetare vid SSRL:"Vi kunde göra och screena 20, 000 på ett enda år."

Har just börjat

Medan andra grupper har använt maskininlärning för att komma med förutsägelser om var olika typer av metalliskt glas kan hittas, Mehta sa, "Det unika vi har gjort är att snabbt verifiera våra förutsägelser med experimentella mätningar och sedan upprepade gånger cykla tillbaka resultaten till nästa omgång av maskininlärning och experiment."

Det finns gott om utrymme för att göra processen ännu snabbare, han lade till, och så småningom automatisera det för att ta människor ur slingan helt och hållet så att forskare kan koncentrera sig på andra aspekter av deras arbete som kräver mänsklig intuition och kreativitet. "Detta kommer att påverka inte bara för synkrotronanvändare, men på hela materialvetenskap och kemi gemenskap, "Sa Mehta.

Teamet sa att metoden kommer att vara användbar i alla typer av experiment, särskilt vid sökningar efter material som metallglas och katalysatorer vars prestanda påverkas starkt av deras tillverkning, och de där forskare inte har teorier som vägleder deras sökning. Med maskininlärning, ingen tidigare förståelse behövs. Algoritmerna gör kopplingar och drar slutsatser på egen hand, och detta kan styra forskningen i oväntade riktningar.

"En av de mer spännande aspekterna av detta är att vi kan göra förutsägelser så snabbt och vända experiment så snabbt att vi har råd att undersöka material som inte följer våra vanliga tumregler om huruvida ett material kommer att bilda ett glas eller inte , "säger pappers medförfattare Jason Hattrick-Simpers, en materialforskningsingenjör på NIST. "AI kommer att förändra landskapet för hur materialvetenskap görs, och detta är det första steget. "

Styrka i siffror

Uppsatsen är det första vetenskapliga resultatet i samband med ett DOE-finansierat pilotprojekt där SLAC arbetar med ett Silicon Valley AI-företag, Citrine Informatics, att förändra hur nya material upptäcks och göra verktyg för att göra det tillgängliga för forskare överallt.

Grundades av tidigare doktorander från Stanford och nordvästra universitet, Citrine har skapat en materialvetenskaplig dataplattform där data som hade låsts in i publicerade tidningar, kalkylblad och labbböcker lagras i ett konsekvent format så att det kan analyseras med AI speciellt utformat för material.

"Vi vill ta material och kemiska data och använda dem effektivt för att designa nya material och optimera tillverkningen, "sa Greg Mulholland, grundare och VD för företaget. "Detta är kraften hos artificiell intelligens:När forskare genererar mer data, det lär sig tillsammans med dem, ta upp dolda trender till ytan och låta forskare identifiera högpresterande material mycket snabbare och mer effektivt än att förlita sig på traditionella, rent mänskligt driven materialutveckling."

Tills nyligen, funderar, tillverkning och bedömning av nya material gick smärtsamt långsamt. Till exempel, författarna till metallglaspappret beräknade att även om du kunde laga mat och undersöka fem möjliga typer av metallglas om dagen, varje dag på året, det skulle ta mer än tusen år att plöja igenom alla möjliga kombinationer av metaller. När de upptäcker ett metallglas, forskare kämpar för att övervinna problem som håller dessa material tillbaka. Vissa har giftiga eller dyra ingredienser, och alla delar glasets spröda, splittrad benägenhet.

Under det senaste decenniet, forskare vid SSRL och på andra håll har utvecklat sätt att automatisera experiment så att de kan skapa och studera nya material på kortare tid. I dag, vissa SSRL-användare kan få en preliminär analys av sina data nästan så snart de kommer ut med AI-mjukvara utvecklad av SSRL i samband med Citrine och CAMERA-projektet vid DOE:s Lawrence Berkeley National Laboratory.

"Med dessa automatiserade system kan vi analysera mer än 2, 000 prover per dag, "sa Fang Ren, tidningens huvudförfattare, som utvecklade algoritmer för att analysera data i farten och samordnade deras integration i systemet medan en postdoktor vid SLAC.

Experimentera med data

I den metalliska glasstudien, forskargruppen undersökte tusentals legeringar som var och en innehåller tre billiga, icke -toxiska metaller.

De började med en mängd materialdata som går tillbaka mer än 50 år, inklusive resultaten från 6, 000 experiment som sökte efter metalliskt glas. Teamet kammade igenom data med avancerade maskininlärningsalgoritmer utvecklade av Wolverton och doktoranden Logan Ward på Northwestern.

Baserat på vad algoritmerna lärde sig i denna första omgång, forskarna tillverkade två uppsättningar provlegeringar med två olika metoder, låta dem testa hur tillverkningsmetoder påverkar huruvida en legering går in i ett glas.

Båda uppsättningarna legeringar skannades av en SSRL-röntgenstråle, data som matas in i Citrin -databasen, och nya maskininlärningsresultat genererade, som användes för att förbereda nya prover som genomgick ytterligare en omgång skanning och maskininlärning.

Vid experimentets tredje och sista omgång, Mehta sa, gruppens framgångsfrekvens för att hitta metalliskt glas hade ökat från ett av 300 eller 400 testade prover till ett av två eller tre testade prover. De metalliska glasproverna som de identifierade representerade tre olika kombinationer av ingredienser, två av dem hade aldrig använts för att tillverka metalliskt glas tidigare.