Jauni retzemju savienojumi var nodrošināt jūsu tālruni

Jauna retzemju savienojumu atrašanas metode, izmantojot mākslīgo intelektu, varētu novest pie atklājumiem, kas maina personīgo elektroniku, saka eksperti.

Pētnieki no Ames Laboratory un Teksasas A&M universitātes apmācīja mašīnmācības (ML) modeli lai novērtētu stabilitāti retzemju savienojumiem. Retzemju elementiem ir daudz pielietojumu, tostarp tīras enerģijas tehnoloģijas, enerģijas uzglabāšana un pastāvīgie magnēti.

"Jauni savienojumi var nodrošināt nākotnes tehnoloģijas, kuras mēs vēl nevaram aptvert," Jaroslavs Mudriks, projekta vadītājs pastāstīja Lifewire e-pasta intervijā.

Minerālu atrašana

Lai uzlabotu jaunu savienojumu meklēšanu, zinātnieki izmantoja mašīnmācīšanos, mākslīgā intelekta (AI) veidu, ko virza datoru algoritmi, kas uzlabojas, izmantojot datus un pieredzi. Pētnieki izmantoja arī augstas caurlaidības skrīningu, skaitļošanas shēmu, kas ļauj pētniekiem ātri pārbaudīt simtiem modeļu. Viņu darbs tika aprakstīts nesenā rakstā publicēts Acta Material.

Pirms AI jaunu materiālu atklāšana galvenokārt bija balstīta uz izmēģinājumiem un kļūdām, Prašants Sings, viens no komandas locekļiem teica e-pastā Lifewire. AI un mašīnmācīšanās ļauj pētniekiem izmantot materiālu datu bāzes un skaitļošanas metodes, lai kartētu gan jauno, gan esošo savienojumu ķīmisko stabilitāti un fizikālās īpašības.

"Piemēram, jaunatklāta materiāla nogādāšana no laboratorijas tirgū var ilgt 20-30 gadus, bet AI/ML var ievērojami paātrināt šo procesu, simulējot materiālu īpašības datoros, pirms dodaties uz laboratoriju. Sings teica.

AI pārspēj vecās metodes jaunu savienojumu atrašanai, Džošua M. Pīrs, Džons M. Tompsons Rietumu universitātes Informācijas tehnoloģiju un inovāciju katedra teica e-pasta intervijā.

"Potenciālo savienojumu, kombināciju, kompozītmateriālu un jaunu materiālu skaits ir pārsteidzošs," viņš piebilda. "Tā vietā, lai tērētu laiku un naudu, lai izveidotu un pārbaudītu katru konkrētu lietojumu, AI var izmantot, lai palīdzētu prognozēt materiālus ar noderīgām īpašībām. Tad zinātnieki var koncentrēt savus centienus."

Markuss Dž. BīlersMcAfee inženierzinātņu profesors MIT e-pasta intervijā teica, ka jaunais dokuments parāda mašīnmācības izmantošanas spēku.

"Tas ir dramatiski atšķirīgs veids, kā veikt šādus atklājumus, nekā tas, ko esam spējuši izdarīt agrāk — tagad atklājumi ir ātrāki, efektīvāki un var būt mērķtiecīgāki lietojumprogrammām. Bīlers teica. "Singh et al darbā aizraujoši ir tas, ka viņi apvieno visprogresīvākos materiālu rīkus (blīvuma funkcionālā teorija, veids, kā atrisināt kvantu problēmas) ar materiālu informātikas rīkiem. Tas noteikti ir veids, ko var izmantot daudzām citām materiālu dizaina problēmām."

Bezgalīgas iespējas

Retzemju savienojumi ir atrodami daudzos augsto tehnoloģiju produktos, piemēram, mobilajos tālruņos, pulksteņos un planšetdatoros. Piemēram, displejos šie savienojumi tiek pievienoti, lai nodrošinātu materiālus ar īpaši mērķtiecīgām optiskām īpašībām. Tie tiek izmantoti arī jūsu mobilā tālruņa kamerā.

"Tie savā ziņā ir sava veida brīnummateriāli, kas kalpo kā svarīgs mūsdienu civilizācijas elements," sacīja Bīlers. "Tomēr ir problēmas saistībā ar to ieguvi un piegādi. Tāpēc mums ir jāizpēta labāki veidi, kā tos izmantot efektīvāk vai aizstāt funkcijas ar jaunām alternatīvu materiālu kombinācijām."

Ne tikai minerālu savienojumi var gūt labumu no mašīnmācīšanās pieejas, ko izmanto jaunā dokumenta autori. AI var pielietot daudzās jomās, kur problēmas ir tik sarežģītas, ka zinātnieki nevar izstrādāt parastus risinājumus, izmantojot matemātiku vai zināmas fizikas simulācijas, sacīja Bīlers.

"Galu galā mums vēl nav pareizo modeļu, lai saistītu materiāla struktūru ar tā īpašībām," viņš piebilda. "Viena joma ir bioloģija, īpaši olbaltumvielu locīšana. Kāpēc daži proteīni pēc nelielām ģenētiskām izmaiņām izraisa slimības? Kā mēs varam izstrādāt jaunus ķīmiskus savienojumus, lai ārstētu slimības vai izstrādātu jaunas zāles?

Vēl viena iespēja ir atrast veidu, kā uzlabot betona veiktspēju, lai samazinātu tā ietekmi uz oglekļa dioksīdu, sacīja Bīlers. Piemēram, materiāla molekulāro ģeometriju var sakārtot citādi, lai padarītu materiālus efektīvākus, lai ar mazāku materiālu izmantošanu iegūtu lielāku izturību un lai materiāli kalpotu ilgāk.

"AI rada revolūciju mūsu domāšanā par daudzu šo augstas dimensijas sarežģīto problēmu risināšanu, un tas paver jaunu veidu, kā domāt par nākotnes iespējām," viņš piebilda. "Mēs esam tikai aizraujoša laika sākumā."