تسریع شناسایی ترکیبات آلیاژی با یادگیری ماشینی

تاریخ : ۲۹ اردیبهشت ۱۳۹۷

تعداد بازدید : ۲۱۸

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

محققان با استفاده از یادگیری ماشینی موفق به تسریع فرآیند شناسایی ترکیبات آلیاژ فلزی شدند. پیش از این برای بررسی 6000 ترکیب، 50 سال زمان نیاز بود در حالی که با استفاده از یادگیری ماشینی در مدت یک سال، 20 هزار ترکیب مورد آزمایش قرار می‌گیرد.

با ترکیب مقادیر صحیحی از فلزات مختلف می‌توان مواد آلیاژی ساخت که خواص جدیدی دارند. شیشه فلزی به دسته‌ای از آلیاژها اطلاق می‌شود که در آنها اتم‌ها به‌صورت آمورف در نمونه قرار گرفته‌اند و ساختار مستحکمی را ایجاد نموده‌اند به‌طوری که استحکام آن از فولاد نیز بیشتر بوده و مقاومت بالایی در برابر خوردگی دارند.

هر چند شیشه‌های فلزی خواص جالب توجهی دارند اما برای تولید آنها نیاز به ترکیب اجزاء با فرمولاسیون مشخصی است که محققان برای رسیدن به این فرمولاسیون چالش بزرگی پیشرو دارند. هزاران احتمال ترکیب میان اجزاء طی سال‌های گذشته توسط محققان مورد بررسی قرار گرفته است.

اخیرا محققان آزمایشگاه ملی شتابدهنده، دانشگاه نورث‌وسترن و موسسه ملی استاندارد و فناوری آمریکا نشان دادند که می توان با هزینه و زمان کم، اقدام به توسعه این شیشه‌های فلزی کنند.

در این پروژه محققان از ترکیب یادگیری ماشینی با نتایج آزمایشگاهی استفاده کردند. یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که در آن الگوریتم‌های کامپیوتری از میان حجم عظیمی از داده‌ها، چیزی را فرا می‌گیرند. با استفاده از این فناوری محققان موفق شدند تا سه فرمولاسیون جدید برای تولید شیشه فلزی ارائه کنند، به‌طوری که این کار 200 برابر سریع از روش‌های قبلی انجام شده است.

نتایج این پروژه در نشریه Science Advanced به چاپ رسیده است.

کریس ولورتون از محققان این  پروژه می‌گوید: « تقریبا یک تا دو دهه طول کشید تا این فناوری از مرحله کشف به مرحله تجاری‌سازی رسید. این که بتوان زمان تولید این ساختارها را کاهش داد یک گام بزرگ در این مسیر است. هوش مصنوعی می‌تواند کمک زیادی برای تسریع یافتن بهترین فرمولاسیون ارائه کند.»

پیش از این دانشمندان 50 سال زمان نیاز داشتند تا 6000 ترکیب مختلف را مورد آزمایش قرار دهند اما با این روش می‌توان در مدت یک سال 20 هزار ترکیب را بررسی کنند.

منبع : http://www.nanotech-now.com/news.cgi?story_id=55078

نظر شما