Сколтех и МФТИ разработали алгоритм для быстрого поиска высокоэффективных сплавов с помощью ИИ

Новый метод с использованием машинного обучения позволяет находить стабильные сплавы, которые ранее не были известны

Исследователи из Сколковского института науки и технологий (Сколтех) и Московского физико-технического института (МФТИ) представили инновационный метод ускоренного поиска высокоэффективных металлических сплавов с использованием машинного обучения. Этот подход позволяет значительно сократить время на выбор перспективных составов для дальнейшего тестирования в лабораториях.

Традиционно моделирование металлических сплавов — это длительный и сложный процесс, включающий множество переменных: состав элементов, пропорции, кристаллическая структура. Однако новый метод помогает быстро перебрать все возможные комбинации и выявить потенциальные кандидаты для дальнейших исследований.

В отличие от традиционных подходов, основанных на сложных квантово-механических расчётах, новый метод использует потенциалы, полученные с помощью машинного обучения. Это позволяет проводить более быстрые вычисления и эффективно сканировать множество вариантов. Алгоритм уже показал свою эффективность на двух наборах металлов: тугоплавких (ванадий, молибден, ниобий, тантал и вольфрам) и благородных (золото, платина, палладий, медь и серебро).

Результаты тестирования удивили: получены 268 новых стабильных сплавов, которые не значились в популярных отраслевых базах данных. Например, в системе ниобий-молибден-вольфрам были обнаружены 12 ранее неизвестных сплавов.

Эти новые сплавы предстоит тщательно протестировать, чтобы понять их потенциальное применение. Ожидается, что их использование может привести к созданию новых материалов для аэрокосмической, машиностроительной, строительной, электронной промышленности и медицинских технологий.

В будущем учёные планируют расширить алгоритм, чтобы исследовать другие составы и кристаллические структуры, что откроет новые возможности для различных отраслей промышленности.

Читать материалы по теме:

Систему машинного обучения применили для изучения свойства металлического водорода в МФТИ

В Казани научились плавить метал при помощи звуковых волн

В Москве адаптировали нейросети для прогнозирования дефектов в стали для АЭС