Onderzoekers in materials science houden zich bezig met de zoektocht naar nieuwe materialen met unieke eigenschappen. Bijvoorbeeld nieuwe typen metalen die tegen extreme temperaturen kunnen of die niet of nauwelijks roesten.
Metalen met die soort eigenschappen kunnen in verschillende sectoren heel nuttig zijn. Kan een nieuw metaal bijvoorbeeld tegen extreem lage temperaturen, dan kan de ruimtevaart ermee uit de voeten. Metaal dat extreem goed tegen roest bestand is kan gebruikt worden voor boten of onderzeeërs.
Wetenschappers proberen vaak op nieuwe manieren metalen te combineren om nieuwe te creëren. Vaak starten ze met een bekend element zoals ijzer en voegen ze hier één of twee andere aan toe. Maar dat is een bewerkelijk proces en vaak komt er niks nuttigs uit voort; het is een continu traject van trial and error.
In het weekblad Science is een onderzoek gepubliceerd waarin onderzoekers met A.I. veel preciezer voorspellen welke combinaties van metalen gewenste eigenschappen zouden kunnen hebben dan dat zij op basis van de eigen denkkracht konden. Deze onderzoekers identificeerden met behulp van A.I. 17 veelbelovende nieuwe metalen met een lage zogenaamde ‘invar’: de mate waarin materialen uitzetten of krimpen wanneer ze worden blootgesteld aan hoge of lage temperaturen.
Het team trainde het algoritme op honderden datapunten, waarin de eigenschappen van bestaande metaallegeringen werden beschreven. De A.I. gebruikte deze data om voorspellingen te doen welke nieuwe metalen ook een lage invar zouden hebben.
Vervolgens werden deze door het model voorgestelde metalen gemaakt in een laboratorium en werden de eigenschappen gemeten. Deze data werden teruggestopt in het model, waarvan het model weer kon leren. Een intussen bijna klassieke manier om machine learning in te zetten (of kun je nog niet over klassiek spreken als we het over ons relatief nieuwe vakgebied hebben?). Totdat er uiteindelijk 17 veelbelovende nieuwe metalen waren.
De resultaten van deze studie zijn veelbelovend wat betreft de mogelijkheden tot inzet van machine learning in materials science. Maar in het verlengde hiervan, zou je het gebruik van machine learning om voorspellingen te doen en vervolgens te checken in het lab kunnen ook kunnen gebruiken in de chemie of de farmacie. Machine learning kan zorgen dat wetenschappers die stoffen proberen te maken veel gerichter te werk kunnen gaan in hun experimenten.
Michel van der List 
Geef een reactie