Künstliche Intelligenz beschleunigt die Entwicklung hochtemperaturfester Legierungen durch geschlossenen Regelkreis
Forscher der Texas A&M University haben einen Legierungsentdeckung entwickelt, der das Design könnte, die extremen Temperaturen standhalten.
Kurzfassung
Warum das wichtig ist
- Forscher der Texas A&M University haben einen Legierungsentdeckung entwickelt, der das Design könnte, die extremen Temperaturen standhalten.
- Das primäre Ziel des Experiments lag darin, die Entdeckung hochleistungsfähiger Werkstoffe zu beschleunigen und gleichzeitig sicherzustellen, dass diese Materialien in der Praxis großtechnisch herstellbar sind.
- Der Prozess startete mit einer Hochdurchsatz-thermodynamischen Modellierung, um Tausende potenzieller Legierungszusammensetzungen zu screenen.
SvyTech-Check
Redaktionelle Einordnung
Kernpunkt
Forscher der Texas A&M University haben einen Legierungsentdeckung entwickelt, der das Design könnte, die extremen Temperaturen standhalten.
Warum relevant
Erst danach wurden die vielversprechendsten Kandidaten für reale Experimente ausgewählt.
Einordnung
SvyTech ordnet die Meldung aus Interesting Engineering als Teil des Themenfelds Technologie ein und verweist auf den Originalartikel, damit Leser Fakten, Quelle und Kontext nachvollziehen koennen.
Erst danach wurden die vielversprechendsten Kandidaten für reale Experimente ausgewählt. Cafer Acemi, Doktorand am Department of Materials Science and Engineering der Universität, bezeichnete diesen Ansatz als bedeutend.
Er würdigt eine state-of-the-art-Kampagne zur Legierungsentdeckung, die Berechnungen mit realen Experimenten verbindet. „Unser Department trägt dazu bei, die Richtung der Legierungsentdeckung zu gestalten: Modelle leiten, was als Nächstes hergestellt werden soll, und Hochdurchsatz-Experimente liefern die Beweise, um diese Entscheidungen zu verfeinern", so Acemi.
Für dieses Experiment erhielt Acemi den Acta Student Award.
Technik und Auswirkungen
Die Forscher stellten fest, dass der computergestützte Screening-Prozess den Bedarf an teuren experimentellen Tests erheblich reduzierte, indem schwächere Kandidaten bereits in frühen Phasen aussortiert wurden. „Die Modellierung ermöglichte es uns, Legierungen auszuschließen, die wahrscheinlich nicht funktionieren würden, bevor wir sie überhaupt hergestellt haben", sagte Brent Vela, einer der Autoren der Studie.
Quellenprofil
Quelle und redaktionelle Angaben
- Quelle
- Interesting Engineering
- Canonical
- https://interestingengineering.com/innovation/ai-guided-alloy-discovery-method
- Quell-URL
- https://interestingengineering.com/innovation/ai-guided-alloy-discovery-method
Aehnliche Inhalte
Verwandte Themen und interne Verlinkung
Weitere Artikel aus aehnlichen Themenfeldern, damit Leser direkt im selben Kontext weiterlesen koennen.
Alibaba veröffentlicht das Open-Source-KI-Modell Qwen 3.8 mit 27 Milliarden Parametern
Alibaba Cloud hat das kommerziell nutzbare Open-Source-Modell Qwen 3.8 27B mit 27 Milliarden Parametern unter der Apache 2.0-Lizenz auf Hugging Face veröffentlicht, das dank einer hybriden Architektur und eines erweiterbaren Kontextfensters Tokens sowohl für lokale Installationen als auch für API-Anfragen verfügbar ist. Während der Hersteller behauptet, dass das Modell in Programmieraufgaben und der Analyse visueller Dokumente Leistungen übertrifft, weisen unabhängige Beobachter darauf hin, dass die veröffentlichten Benchmarks noch keiner externen Validierung unterzogen wurden und die standardmäßige höchste Denkebene bei einfachen Aufgaben zu unnötig langen Verarbeitungszeiten führt.
