Mescola due o tre metalli insieme e ottieni una lega che di solito sembra e si comporta come un metallo, con i suoi atomi disposti in rigidi schemi geometrici.

Ma una volta ogni tanto, nelle giuste condizioni, ottieni qualcosa di completamente nuovo:una lega futuristica chiamata vetro metallico che è amorfa, con i suoi atomi disposti in ogni modo, proprio come gli atomi del vetro in una finestra. La sua natura vetrosa lo rende più forte e leggero del miglior acciaio odierno, inoltre resiste meglio alla corrosione e all'usura.

Anche se il vetro metallico mostra molte promesse come rivestimento protettivo e alternativa all'acciaio, solo poche migliaia dei milioni di possibili combinazioni di ingredienti sono state valutate negli ultimi 50 anni, e solo una manciata si è sviluppata al punto che possono diventare utili.

Ora un gruppo guidato da scienziati dello SLAC National Accelerator Laboratory del Dipartimento dell'Energia, il National Institute of Standards and Technology (NIST) e la Northwestern University hanno segnalato una scorciatoia per scoprire e migliorare il vetro metallico e, per estensione, altri materiali sfuggenti, a una frazione del tempo e dei costi.

Il gruppo di ricerca ha sfruttato un sistema presso la Stanford Synchrotron Radiation Lightsource (SSRL) di SLAC che combina l'apprendimento automatico, una forma di intelligenza artificiale in cui gli algoritmi informatici raccolgono conoscenza da enormi quantità di dati, con esperimenti che creano e schermano rapidamente centinaia di materiali campione a un tempo. Ciò ha permesso al team di scoprire tre nuove miscele di ingredienti che formano il vetro metallico, e per farlo 200 volte più velocemente di quanto si potesse fare prima, hanno riferito oggi in Progressi scientifici .

"Di solito ci vogliono un decennio o due per ottenere un materiale dalla scoperta all'uso commerciale, ", ha affermato il professore della Northwestern Chris Wolverton, un pioniere nell'uso del calcolo e dell'intelligenza artificiale per prevedere nuovi materiali e un coautore dell'articolo. "Questo è un grande passo avanti nel tentativo di ridurre quel tempo. Potresti iniziare con nient'altro che un elenco di proprietà che desideri in un materiale e, utilizzando l'intelligenza artificiale, restringere rapidamente l'enorme campo di potenziali materiali a pochi buoni candidati."

L'ultimo goal, Egli ha detto, è arrivare al punto in cui uno scienziato potrebbe scansionare centinaia di campioni di materiale, ottenere un feedback quasi immediato dai modelli di apprendimento automatico e avere un'altra serie di campioni pronti per il test il giorno successivo o anche entro un'ora.

Nell'ultimo mezzo secolo, gli scienziati hanno studiato circa 6, 000 combinazioni di ingredienti che formano il vetro metallico, aggiunto il coautore della carta Apurva Mehta, uno scienziato dello staff di SSRL:"Siamo stati in grado di creare e proiettare 20, 000 in un solo anno."

Solo per iniziare

Mentre altri gruppi hanno utilizzato l'apprendimento automatico per elaborare previsioni su dove si possono trovare diversi tipi di vetro metallico, Mehta ha detto, "L'unica cosa che abbiamo fatto è verificare rapidamente le nostre previsioni con misurazioni sperimentali e quindi ripetere ripetutamente i risultati nel ciclo successivo di apprendimento automatico ed esperimenti".

C'è molto spazio per rendere il processo ancora più veloce, Ha aggiunto, e infine automatizzarlo per togliere del tutto le persone dal giro in modo che gli scienziati possano concentrarsi su altri aspetti del loro lavoro che richiedono l'intuizione e la creatività umana. "Questo avrà un impatto non solo sugli utenti di sincrotrone, ma sull'intera comunità della scienza dei materiali e della chimica, "Meta ha detto.

Il team ha affermato che il metodo sarà utile in tutti i tipi di esperimenti, soprattutto nella ricerca di materiali come il vetro metallico e i catalizzatori le cui prestazioni sono fortemente influenzate dal modo in cui sono fabbricati, e quelli in cui gli scienziati non hanno teorie per guidare la loro ricerca. Con l'apprendimento automatico, non è necessaria alcuna comprensione precedente. Gli algoritmi fanno connessioni e traggono conclusioni da soli, e questo può indirizzare la ricerca in direzioni inaspettate.

"Uno degli aspetti più entusiasmanti di questo è che possiamo fare previsioni così rapidamente e trasformare gli esperimenti così rapidamente che possiamo permetterci di indagare su materiali che non seguono le nostre normali regole empiriche sul fatto che un materiale formerà un vetro o meno. , ", ha affermato il coautore dell'articolo Jason Hattrick-Simpers, un ingegnere di ricerca sui materiali al NIST. "L'intelligenza artificiale cambierà il panorama di come viene svolta la scienza dei materiali, e questo è il primo passo".

Forza nei numeri

Il documento è il primo risultato scientifico associato a un progetto pilota finanziato dal DOE in cui SLAC sta lavorando con una società di intelligenza artificiale della Silicon Valley, Citrino informatica, trasformare il modo in cui vengono scoperti nuovi materiali e rendere disponibili gli strumenti per farlo agli scienziati di tutto il mondo.

Fondata da ex studenti laureati delle università di Stanford e Northwestern, Citrine ha creato una piattaforma di dati per la scienza dei materiali in cui i dati che erano stati rinchiusi in articoli pubblicati, fogli di calcolo e quaderni di laboratorio sono archiviati in un formato coerente in modo che possano essere analizzati con l'intelligenza artificiale progettata specificamente per i materiali.

"Vogliamo prendere materiali e dati chimici e usarli efficacemente per progettare nuovi materiali e ottimizzare la produzione, " ha detto Greg Mulholland, fondatore e amministratore delegato della società. "Questo è il potere dell'intelligenza artificiale:man mano che gli scienziati generano più dati, impara insieme a loro, portando in superficie tendenze nascoste e consentendo agli scienziati di identificare materiali ad alte prestazioni molto più velocemente ed efficacemente rispetto a quelli tradizionali, sviluppo di materiali puramente guidato dall'uomo."

Fino a poco tempo fa, pensare, la creazione e la valutazione di nuovi materiali era dolorosamente lenta. Ad esempio, gli autori della carta di vetro metallico hanno calcolato che anche se si potesse cucinare ed esaminare cinque potenziali tipi di vetro metallico al giorno, tutti i giorni dell'anno, ci vorrebbero più di mille anni per solcare ogni possibile combinazione di metalli. Quando scoprono un vetro metallico, i ricercatori lottano per superare i problemi che trattengono questi materiali. Alcuni hanno ingredienti tossici o costosi, e tutti condividono la fragilità del vetro, natura incline alla frantumazione.

Nell'ultimo decennio, gli scienziati di SSRL e altrove hanno sviluppato modi per automatizzare gli esperimenti in modo da poter creare e studiare più materiali nuovi in ​​meno tempo. Oggi, alcuni utenti di SSRL possono ottenere un'analisi preliminare dei loro dati non appena escono con il software AI sviluppato da SSRL in collaborazione con Citrine e il progetto CAMERA presso il Lawrence Berkeley National Laboratory del DOE.

"Con questi sistemi automatizzati possiamo analizzare più di 2, 000 campioni al giorno, " disse Fang Ren, l'autore principale del giornale, che ha sviluppato algoritmi per analizzare i dati al volo e ha coordinato la loro integrazione nel sistema mentre era uno studioso post-dottorato allo SLAC.

Sperimentare con i dati

Nello studio del vetro metallico, il team di ricerca ha studiato migliaia di leghe che contengono ciascuna tre a buon mercato, metalli non tossici.

Hanno iniziato con una serie di dati sui materiali risalenti a più di 50 anni fa, compresi i risultati di 6, 000 esperimenti che hanno cercato il vetro metallico. Il team ha setacciato i dati con algoritmi avanzati di apprendimento automatico sviluppati da Wolverton e dallo studente laureato Logan Ward alla Northwestern.

Sulla base di ciò che gli algoritmi hanno appreso in questo primo round, gli scienziati hanno realizzato due serie di leghe campione utilizzando due metodi diversi, consentendo loro di testare in che modo i metodi di produzione influiscono sul fatto che una lega si trasformi in un vetro.

Entrambi i set di leghe sono stati scansionati da un raggio di raggi X SSRL, i dati inseriti nel database Citrine, e nuovi risultati di machine learning generati, che sono stati utilizzati per preparare nuovi campioni che sono stati sottoposti a un altro ciclo di scansione e apprendimento automatico.

Nel terzo e ultimo round dell'esperimento, Mehta ha detto, il tasso di successo del gruppo per la ricerca del vetro metallico era aumentato da uno su 300 o 400 campioni testati a uno su due o tre campioni testati. I campioni di vetro metallico che hanno identificato rappresentavano tre diverse combinazioni di ingredienti, due dei quali non erano mai stati usati prima per fare il vetro metallico.