Künstliche Intelligenz beschleunigt die Entwicklung hochtemperaturfester Legierungen durch geschlossenen Regelkreis

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.

Vela fügte hinzu, dass die frühzeitige Eingrenzung des Möglichkeitsraums kostspielige Versuchs-und-Irrtum-Experimente vermeide und den Weg zu einsetzbaren Materialien beschleunige.

Der Workflow integrierte zudem maschinelles Lernen neben physikbasierten Berechnungen, um die Vorhersagegenauigkeit zu verbessern, sobald weitere experimentelle Daten verfügbar wurden. Dr. Raymundo Arroyave erklärte dazu: „Maschinelles Lernen ist leistungsfähig, aber ohne Physik kann es bei der Vorhersage ßerhalb der Realität wandern.

Technik und Auswirkungen

Durch den Start bei ersten Prinzipien bleibt das Modell verankert, und die Daten schärfen es dann auf disziplinierte und effiziente Weise." Anstatt auf manuelle Entscheidungsfindung zu vertrauen, nutzte das System algorithmische Optimierung, um festzulegen, welche Legierungszusammensetzungen als Nächstes getestet werden sollten.

Dadurch konnte sich der Arbeitsablauf nach jedem Experiment kontinuierlich verbessern. „Wenn wir vom 'Schließen des Kreises' sprechen, bedeutet dies, dass wir die Ergebnisse der Experimente kontinuierlich in unseren Optimierungsalgorithmus einfließen lassen", erläuterte Vela. „Sodass das System aus jedem Ergebnis lernt, ob es ein Erfolg oder ein Misserfolg war, und daraufhin algorithmisch die besten nächsten Zusammensetzungen zur Prüfung empfiehlt." Die Studie legte zudem einen starken Fokus auf die Herstellbarkeit.

Das Team berücksichtigte Verarbeitungs- und Skalierbarkeitsbeschränkungen, anstatt Materialien lediglich nach ihrem Laborverhalten zu bewerten. „Das Besondere an dieser Arbeit liegt darin, dass sie die Bereitstellung als Teil des Problems behandelt und nicht als etwas, das man später besorgen muss", sagte Dr.

Was die Studie zeigt

Ibrahim Karaman, Abteilungsleiter und Mitautor der Studie. Karaman betonte weiter, dass die vorangetriebenen Legierungen nicht nur hochleistungsfähig seien, sondern mit einem realistischen Weg zur Herstellung, Skalierung und Anwendung ausgewählt wurden.

Hinsichtlich der Herstellungsphase teilte das Forschungsteam mit, dass Arbeiten am Legierungssystem über die veröffentlichte Studie hinaus laufen.

Eine der vorab ausgewählten Legierungen wurde bereits gasatomisiert und befindet sich derzeit in der Bewertung mittels additiver Fertigungsverfahren. „Dieses Projekt zeigt, was möglich ist, wenn die Entdeckung unter Berücksichtigung der Herstellungsrealitäten gestaltet wird, und wir wenden diesen Ansatz auf einen breiteren Satz ", so Karaman.

Die Forschung wurde in der Zeitschrift Acta Materialia veröffentlicht.