24 apr. 2018
2 minuten
Aan de Stanford University is een manier gevonden om de computer te laten bedenken welke materiaalcombinaties kunnen leiden tot goed metaalglas. De materialen kunnen dan ook nog eens extra snel worden getest.
Metaalglas is een legering van verschillende metalen met de moleculaire structuur van glas. Dit maakt het materiaal sterker en lichter dan andere metalen, terwijl het vaak beter bestand is tegen slijtage en corrosie.
Het materiaal is dus veelbelovend, zowel als coating als voor structureel gebruik. Van de miljoenen potentiële legeringen, zijn er de afgelopen 50 jaar echter nog maar 6000 getest. En slechts een handjevol had potentie en is doorontwikkeld tot een bruikbaar eindproduct. Dat komt doordat het ontwikkelen en testen nogal arbeidsintensief is: gemiddeld duurt het ongeveer twintig jaar voordat een nieuw materiaal marktrijp is.
200 x sneller
De wetenschappers van het SLAC National Accelerator Laboratory, het National Institute of Standards and Technology (NIST) en Northwestern University hebben nu echter een shortcut gevonden. Door gebruik te maken van machine-learning en een snelle testmethode die Stanford al in huis had, kunnen ze legeringen 200 keer sneller dan gebruikelijk bedenken, maken, en testen. Zo hebben ze in een jaar tijd 20.000 materialen kunnen maken en testen. Daarvan bleken er 3 veelbelovend.
Verrassende nieuwe ontdekkingen
Het verschil met andere onderzoeksgroepen die gebruik maken van machine-learning, is dat de kandidaat-materialen in dit onderzoek steeds snel werden vervaardigd en getest, waarna het resultaten werden teruggegeven aan het systeem. De snelheid en lage kosten maken het bovendien mogelijk om heel veel materiaalcombinaties te maken. "Normaal gesproken test je alleen combinaties die veelbelovend lijken. Maar in dit systeem kunnen we de computer de beslissingen laten nemen, op basis van de gewenste uitkomst. En dat zou in de toekomst nog wel eens kunnen leiden tot heel verrassende nieuwe ontdekkingen", aldus Jason Hattrick-Simpers, van NIST.
Real-time resultaat
Het ultieme doel van Northwest-professor Chris Wolverton, een pionier in het gebruik van AI in de materiaalkunde, is om een systeem te ontwikkelen waarbij een onderzoeker honderden materialen kan scannen en vrijwel direct feedback krijgt.
Anderen lazen ook
