Hvordan forklarbar AI revolusjonerer MPEA-design

En gruppe ingeniører fra Virginia Tech og Johns Hopkins University slo seg sammen for å fullføre et tverrfaglig samarbeid som fordyper seg i bruken av forklarbar AI for å forbedre produksjonen av sterkere MPEA-er (multiple principal element alloys). Forskningen deres avdekket viktige detaljer som kan hjelpe forskere med å designe nye materialer som en dag kan drive luftfartsprosjekter, medisinsk utstyr og fornybar energiteknologi. Her er hva du trenger å vite.

Hva er flerprinsipplegeringer (MPEA-er)?

Multiple Principal Element Legerings (MPEA) er spesialbygde materialer som kombinerer flere elementer på en måte som forbedrer ytelsen deres. Spesielt tilbyr MPEA overlegen strålings-, slitasje- og korrosjonsbestandighet. Disse fordelene kommer i tillegg til ytterligere mekaniske egenskaper, noe som gjør dem avgjørende for dagens avanserte applikasjoner.

Konseptet med MPEA-er er fortsatt ganske nytt. Selv om konseptet med MPEA-er dukket opp tidlig på 2000-tallet gjennom arbeidet til ingeniører som Cantor og Yeh, fremmer nylige gjennombrudd, som denne studien fra 2025, raskt deres levedyktighet i den virkelige verden. Forskere fortsetter å forske på disse unike materialkombinasjonene i forsøk på å låse opp for ytterligere ytelse. Det er verdt å merke seg at FeNiCrCoCu er blant de mest studerte MPEA-ene.

Utfordringer ved å utvikle MPEA-er

Det finnes problemer med MPEA-er som har begrenset bruken av dem. For det første kan det være en vanskelig og kostbar oppgave å utføre prøving og feiling som vanligvis foretrekkes av ingeniører som utvikler disse materialene. I tillegg kan resultatene og det ferdige produktet i stor grad avhenge av ingeniørens ekspertise, intuisjon, kunnskap på feltet og generelle evner. Alle disse faktorene har gjort at ingeniører ønsker en mer fornuftig MPEA-utviklingsstruktur.

Gjennombruddsstudie: Utforming av sterkere MPEA-er med AI

Studien¹ "Eksperimentelt validert invers design av FeNiCrCoCu MPEA-er og låser opp viktig innsikt med forklarbar AI«publisert i Nature's Computational Materials», introduserer en ny metode for å lage MPEA-er som har potensial til å redusere kostnader og forbedre ytelsen. Den nye tilnærmingen bruker et datadrevet rammeverk og forklarbar AI for å kombinere beregningsbaserte biomaterialer og syntetiske uorganiske materialer i et løsemiddelfritt system.

Ingeniørene bemerket at kombinasjonen av avansert maskinlæring og evolusjonære algoritmer gjorde det mulig for dem å bestemme flere hovedelementlegeringer mer effektivt og få innsikt i hvordan de fungerer i kombinasjon med andre elementer. Denne tilnærmingen gir det vitenskapelige samfunnet et nytt nivå av innsikt i materialers struktur-egenskaper-forhold.

Hvordan forklarbar AI hjelper forskere med å bygge bedre legeringer

Kunstig intelligens fortsetter å omforme verden rundt deg. Denne teknologien lar forskere fordype seg i temaene sine med mindre innsats. Standard AI har imidlertid et problem ved at den ofte gir svar uten en forklaring på hvordan den oppnådde resultatene. Forklarbar AI tilbyr en bedre løsning som kan gi nøyaktig de dataene som ble brukt til å fullføre en oppgave.

Kilde - NPJ

Teamet benyttet seg av en stablet ensemble maskinlæringsmodell (SEML) og en konvolusjonell nevral nettverksmodell (CNN) med evolusjonære algoritmer som en del av tilnærmingen sin. Dette oppsettet ble kombinert med SHAP-algoritmen for å gi tydelig innsikt i AI-handlinger.

Forklaring av SHAP: Låser opp den svarte boksen for kunstig intelligens

SHAP-protokollen ble spesielt utviklet for å forbedre den vitenskapelige innsatsen. Systemet lar ingeniører tolke AI-prediksjoner uten noen mystikk. De kan bruke dataene som gis til å forstå hvordan ulike elementer og deres lokale miljøer kan spille en viktig rolle i MPEAs ytelse. I tillegg hjalp SHAP teamet med å lage nøyaktige forutsigelser om hvordan ulike sammensetninger og kombinasjoner av elementer kan gi spesifikke fordeler når det er nødvendig.

Datadrevet materialdesign forklart

Teamet visste fra dag én at de ønsket å integrere maskinlæring i prosessen sin. Dette trinnet krevde at de programmerte algoritmen via store datasett som ble samlet inn fra eksperimenter og simuleringer. Denne strategien tillot teamet å innlemme andre verdifulle verktøy, som evolusjonære algoritmer, i tillegg til tradisjonelle eksperimenter.

Validering av styrken til AI-designede MPEA-er

Ingeniørene utarbeidet en serie tester for å sikre at materialene de syntetiserte oppfylte kravene deres. Testfasen inkluderte verifisering og overvåking av MPEA-enes krystallstrukturer og mekaniske egenskaper ved hjelp av Youngs modulus. Testresultatene kaster lys over MPEA-forskningsprosessen, samtidig som de beviste at det finnes mer effektive metoder.

Lovende resultater fra eksperimentell testing

Teamet utførte flere tester, som ga interessante resultater. For det første beviste de at de kunne bruke sin AI-sentriske tilnærming til å lage nye legeringer som har overlegen mekanisk styrke sammenlignet med dagens ledende alternativer. I tillegg bemerket ingeniørene at de målte Youngs moduli var nesten nøyaktig på linje med beregningsmessige prediksjoner utviklet for enfasede flatesentrerte kubiske (FCC) strukturer.

 Hvorfor denne MPEA-studien er viktig

Noen fordeler gjør den nye MPEA-produksjons- og forskningsstudien banebrytende. For det første er det den første studien som gir verdifull vitenskapelig innsikt i MPEA-utvikling. I tillegg lar den ingeniører kjøre simuleringer som er mye billigere sammenlignet med tradisjonell, dyr prøving-og-feiling-materialdesign. Som sådan konkluderte forskeren med at tilnærmingen deres ga en mer prediktiv løsning som kunne bidra til å akselerere oppdagelsen av avanserte metalllegeringer i fremtiden.

Tverrfaglig samarbeid driver innovasjon

Denne studien involverte forskere som spesialiserer seg i flere vitenskapelige studier, inkludert beregning, syntese og karakterisering. Dette samarbeidet åpner døren for videre prosjekter der ulike vitenskaper må møtes og korrelere data for å fullføre oppgavene.

Kostnadsfordeler med AI-designede legeringer

Det er dyrt å gjennomføre vitenskapelige eksperimenter og kan forsinke resultatene. Bruk av AI-beregningssimuleringer er et bedre alternativ som gjør det mulig for ingeniører å kjøre tusenvis av hypotetiske eksperimenter uten å måtte utføre fysiske handlinger, noe som reduserer kostnader og forbedrer kapasiteten.

Fremtidig bruk og kommersiell tidslinje

Det finnes mange bruksområder for denne vitenskapelige forskningen. Bruken av MPEA-er er nå mer vanlig enn noensinne. Disse høypresterende mineralene kan sees hjelpe romfartøy med å absorbere intensiteten av atmosfærisk reentry, gi mer stabilitet til luftturbiner og mye mer. Her er noen av de viktigste bruksområdene for forklarbare AI MPEA-er.

Helseapplikasjoner av MPEA-er

Helsevesenet kan utnytte denne tilnærmingen til å utvikle avanserte biomaterialer for implantater, proteser og kirurgiske verktøy. Muligheten til å teste disse materialene mot visse scenarier, som hvordan menneskekroppen ville reagere på dem, er en stor fordel som garantert vil hjelpe forskere med å forbedre sine generelle resultater. Ingeniører ser allerede MPEA-er som det ideelle valget for bruk i kneproteser, beinplater og mer.

Potensial for adopsjon i luftfartsindustrien

Luftfartsmiljøet er en annen sektor som vil utnytte disse dataene med stor effekt. MPEA-er kan produsere mer stabile og holdbare flykomponenter. Elementer som turbinblader, termiske spraybelegg, høytemperaturapplikasjoner og strålingsbestandige materialer er fortsatt ideelle bruksområder for denne teknologien.

MPEA-er i bilsektoren

En annen anvendelse som er nærmere relevant er bruken av MPEA-er i bilindustrien. Denne studien kan bidra til å lage bedre lakk, mer robuste dekk og mer effektive katalysatorer. Alle disse faktorene kan bidra til å utvide MPEA-forskningen og fremme videre bruk.

Når vil disse MPEA-ene komme på markedet?

Det ble ikke gitt noen tidslinje for når denne forskningen kunne komme ut på markedet. Men med tanke på at den er fullført og det faktum at det er stor etterspørsel etter bedre designede materialer, kan man begynne å se denne teknologien brukt til design så snart som de neste tre årene.

Sterkere MPEA-forskere

Studien av Stronger MPEAs ble ledet av ingeniører fra Virginia Tech og Johns Hopkins University. Artikkelen nevner spesifikt Sanket A. Deshmukh, Fangxi Wang, Allana G. Iwanicki, Abhishek T. Sose, Lucas A. Pressley og Tyrel M. McQueen som medvirkende forfattere. I tillegg mottok prosjektet støtte og finansiering fra National Science Foundation.

Hva er det neste for AI-drevet legeringsdesign?

Fremtiden for MPEA-utvikling ser lys ut. Ingeniører har allerede brukt metodene til å lage nye glykomaterialer. Disse avanserte komposittene åpner døren for en rekke vitenskapelige gjennombrudd innen materialvitenskap.

Nå ønsker teamet å utvide prosessen sin til andre materialer, inkludert ikke-MPEA-materialer og mer. Målet deres er å få en viktig forståelse av hvordan disse materialene samhandler og hvilke kombinasjoner som gir hvilke spesifikke resultater.

Investering i materialvitenskapssektoren

Det er mange konkurrenter innen materialvitenskap. Disse firmaene bruker millioner på forskning og utvikling for å ligge foran konkurrentene. Denne siste utviklingen kan bidra til å redusere driftskostnadene deres samtidig som ingeniørene deres kan utføre mye raskere forskning. Her er ett selskap som er posisjonert for suksess innen materialvitenskap.

NioCorp-utviklingen

NioCorp (NB ) kom inn på markedet i februar 1987 for å forbedre USAs holdning til høyt etterspurte jordmetaller. Selskapet har siden vokst til å bli et av de største mineralprosjektene i USA. I dag er det basert i Colorado med virksomhet nasjonalt. Det er verdt å merke seg at Elk Creek Critical Minerals Project har som mål å forbedre gruvedrift og produksjon av niob, scandium og titan.

Disse elementene anses som avgjørende for amerikansk sikkerhet, ettersom de er importerte ressurser som kreves for å produsere mange av de høyteknologiske produktene. Selskapet er fortsatt en pioner som har bidratt til å fremme bærekraftig gruvedrift av niob, scandium, titan og sjeldne jordartsmetaller.

I 2024 introduserte NioCorp en ny hydrometallurgisk prosess for resirkulering av permanentmagneter av sjeldne jordarter. Prosjektet åpner døren for forbedret avfallshåndtering. Denne utviklingen er i tråd med selskapets fortsatte engasjement for å oppdage mer nyttige materialer og beskytte amerikanske forsyninger.

Siste NioCorp (NB) Aksjenyheter og utvikling

Avsluttende tanker: Hvorfor denne studien er viktig

Det er lett å forstå hvorfor ingeniører ønsker å vende seg til kunstig intelligens for å forenkle oppdagelsen og produksjonen av MPEA-er. Denne eksakte vitenskapen har vært en kostbar reise for de som ønsker å låse opp nye materialer. Heldigvis kan det harde arbeidet og dedikasjonen som forskeren bak den sterkere MPEA-studien har lagt ned, åpne døren til en lysere fremtid komplett med mer robuste, lettere og rimeligere MPEA-er.

Lær om andre AI-prosjekter Nå.

Referert til studier:

^{1. Wang, F., Iwanicki, AG, Sose, AT et al. Eksperimentelt validert invers design av FeNiCrCoCu MPEA-er og låser opp viktig innsikt med forklarbar AI. npj Datamaskin 11, 124 (2025). https://doi.org/10.1038/s41524-025-01600-x}