Ученые разработали новую модель машинного обучения для изучения коррозии

11 августа 2023 г.

Эта статья была проверена в соответствии с редакционным процессом и политикой Science X. Редакторы выделили следующие атрибуты, гарантируя при этом достоверность контента:

проверенный фактами

рецензируемое издание

надежный источник

корректура

Общество Макса Планка

В мире, где ежегодные экономические потери от коррозии превышают 2,5 триллиона долларов США, поиск устойчивых к коррозии сплавов и защитных покрытий не прекращается. Искусственный интеллект (ИИ) играет все более важную роль в разработке новых сплавов. Тем не менее, предсказательная сила моделей искусственного интеллекта в прогнозировании поведения коррозии и предложении оптимальных формул сплавов остается недостижимой.

Ученые из Института Макса Планка (MPIE) разработали модель машинного обучения, которая повышает точность прогнозирования до 15% по сравнению с существующими моделями. Эта модель открывает новые, но реалистичные составы коррозионностойких сплавов. Его особая сила возникает в результате объединения числовых и текстовых данных. Первоначально разработанная для критической области сопротивления питтинговой коррозии высокопрочных сплавов, универсальность этой модели может быть распространена на все свойства сплавов. Исследователи опубликовали свои последние результаты в журнале Science Advances.

«Каждый сплав обладает уникальными свойствами, касающимися его коррозионной стойкости. Эти свойства зависят не только от самого состава сплава, но и от процесса производства сплава. Современные модели машинного обучения могут извлечь выгоду только из численных данных. Однако методологии обработки и экспериментальные данные протоколы испытаний, которые в основном документируются текстовыми дескрипторами, имеют решающее значение для объяснения коррозии», — объясняет Кастури Нарасимха Сасидхар, ведущий автор публикации и бывший научный сотрудник MPIE.

Исследовательская группа использовала методы обработки языка, подобные ChatGPT, в сочетании с методами машинного обучения (ML) для обработки числовых данных и разработала полностью автоматизированную среду обработки естественного языка. Более того, включение текстовых данных в структуру ML позволяет идентифицировать улучшенные составы сплавов, устойчивые к питтинговой коррозии.

«Мы обучили модель глубокого обучения внутренним данным, которые содержат информацию о коррозионных свойствах и составе. Теперь модель способна идентифицировать составы сплавов, которые имеют решающее значение для коррозионной стойкости, даже если отдельные элементы изначально не были введены в модель», — говорит Михаэль Ровердер, соавтор публикации и руководитель группы «Коррозия» в MPIE.

В недавно разработанной структуре Сасидхар и его команда использовали собранные вручную данные в качестве текстовых дескрипторов. В настоящее время их цель заключается в автоматизации процесса интеллектуального анализа данных и плавной интеграции его в существующую структуру.

Включение изображений микроскопии знаменует собой еще одну веху, предвидя следующее поколение инфраструктур искусственного интеллекта, которые объединяют текстовые, числовые данные и данные на основе изображений.

Больше информации: Кастури Н. Сасидхар, Улучшение конструкции коррозионностойких сплавов посредством обработки естественного языка и глубокого обучения, Science Advances (2023). DOI: 10.1126/sciadv.adg7992. www.science.org/doi/10.1126/sciadv.adg7992

Информация журнала:Достижения науки

Предоставлено Обществом Макса Планка