Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
Искусственный интеллект ускорил поиск материалов для авиации и космоса
Ученые из Сколтеха и МФТИ при помощи машинного обучения заметно ускорили поиск кандидатов металлических сплавов, из которых экспериментаторы отбирают материалы для ракетостроения и других высокотехнологичных отраслей.
Сейчас устойчивые сплавы ищут методами, которые сопряжены с риском упустить перспективный материал либо требуют запредельно долгих вычислений. Новый же метод, представленный в журнале npj Computational Materials, использует машинное обучение, чтобы ускорить перебор вариантов и сделать его более исчерпывающим. Исследование поддержано грантом РНФ.
Чистые металлы обычно уступают по своим свойствам сплавам из нескольких металлов и других элементов вроде углерода или кремния. Меняя состав и соотношение элементов в сплаве, можно регулировать его характеристики: прочность, ковкость, температуру плавления, устойчивость к коррозии, электрическое сопротивление и многие другие. Так материаловеды ищут сплавы с более совершенными свойствами для авиации, космических технологий, машиностроения и других областей: электротехники, строительства, медицинских инструментов и проч.
Однако новый сплав попадает в инструментарий инженера-проектировщика лишь тогда, когда его свойства измерены в ходе эксперимента. Проблема в том, что экспериментальный синтез и проверка материалов-кандидатов в лаборатории — это долгий и дорогостоящий процесс. Более того, даже моделирование сплавов на компьютере требует огромных затрат времени и ресурсов и потому не позволяет перебрать много вариантов.
«Потенциальных кандидатов очень много, потому что много переменных: какие химические элементы в составе сплава, в каких соотношениях, какая кристаллическая решетка и так далее, — рассказал один из авторов статьи, заведующий Лабораторией методов искусственного интеллекта для разработки материалов Центра ИИ Сколтеха Александр Шапеев. — Скажем, в простейшей системе двух элементов, ниобия и вольфрама, если рассмотреть набор из 20 атомов в ячейке кристаллической решетки, вам уже придется моделировать более миллиона различных комбинаций, 2 в степени 20, без учета симметрии».
Используемые для моделирования и отбора перспективных сплавов эволюционные алгоритмы, графовые нейросети, метод роя частиц и другие подходы хорошо работают при точечном поиске кандидатов, без перебора всех возможных комбинаций. Но в этом случае появляется риск упустить материал с выдающимися характеристиками.
«Эти подходы опираются на фундаментальное физическое описание процесса, прямые квантово-механические расчеты, — пояснила магистрант программы „Науки о данных“ Сколтеха и выпускница МФТИ Виктория Зинькович, первый автор научного исследования. — Это очень точные, но сложные и долгие расчеты. Мы же используем машинно-обучаемые потенциалы, которые, напротив, отличаются высокой скоростью вычислений и позволяют перебрать все возможные комбинации до некоторой границы отсечения, например до 20 атомов в суперъячейке. А значит, мы не пропустим хороших кандидатов».
Подход прошел валидацию на двух системах. Во-первых, тугоплавкие металлы: ванадий, молибден, ниобий, тантал, вольфрам. Во-вторых, медь и благородные металлы: золото, серебро, платина, палладий. В каждой системе рассмотрели по три сочетания атомов. Например, сразу все металлы из второго перечня; или медь, палладий и платина; или только медь и платина. Пять элементов в составе каждого перечня подобраны так, что для них характерна одна и та же кристаллическая решетка. Это упрощает расчеты, поскольку заранее известно, что и у сплава будет та же решетка.
Исследователи применили свой алгоритм поиска к каждому из шести рассмотренных сочетаний атомов — по три сочетания на благородные и на тугоплавкие металлы. Алгоритм ориентирован на оптимизацию физических величин, называемых энергией и энтальпией образования вещества, которые указывают на то, какие сплавы устойчивы, а какие подвержены распаду, то есть самопроизвольному переходу в иную, более стабильную конфигурацию.
О результативности алгоритма можно судить, сравнив результаты поиска с наполнением стандартной базы сплавов, которой пользуются материаловеды в отрасли. Авторы исследования обнаружили 268 новых сплавов, устойчивых при нулевой температуре, которых в базе не было. Так, в системе «ниобий — молибден — вольфрам» подход на основе машинно-обучаемых потенциалов выдал 12 кандидатов, при этом в базе не фигурирует ни одного трехкомпонентного сплава с таким составом.
Теперь свойства новых сплавов можно уточнять и проверять более прицельным моделированием и экспериментами, чтобы установить, какие из этих материалов перспективны для практических применений. «Использование компьютерного моделирования в науке о материалах уже послужило началом для открытия множества новых промышленно значимых сплавов, имеющих спектр применений от деталей кузовов автомобилей до баков для хранения водорода в ракетном топливе», — добавила Зинькович. Тем временем сами авторы нового алгоритма, по словам ученой, планируют применить свой подход к сплавам с другими составами и кристаллическими решетками.
Telegram 
Дзен 
VK К любопытным выводам привели наблюдения японских ученых за пестролицыми буревестниками. Оказалось, эти птицы испражняются в основном на лету, намеренно избегая такой возможности на поверхности воды. Очевидно, предположили исследователи, это облегчает движения в воздухе взрослым особям с добычей во рту.
Люди, которые были на грани смерти, затем иногда рассказывают, как мчались навстречу необычайно яркому свету или видели всю свою жизнь, проносящуюся перед глазами. Эти переживания на первый взгляд напоминают галлюцинации под воздействием некоторых психоделиков. Но есть и существенные различия, обнаружили исследователи из Великобритании.
Исследователям квантовых компьютеров обычно приходится выбирать: сделать стабильный кубит или быстрый. Международная группа ученых нашла способ создать кубиты, избавленные от этой необходимости.
Астрономы подсчитали, что с поверхности летящего по Солнечной системе межзвездного объекта 3I/ATLAS каждую секунду испаряется около 40 килограммов водяного льда. Такую сильную кометную активность он проявил, будучи в три с половиной раза дальше Земли от Солнца. По мнению ученых, это довольно необычно.
За последнее десятилетие ученые создали несколько сложных систем «мозг — компьютер», которые позволяли преобразовывать мозговую активность людей, лишившихся способности говорить из-за различных заболеваний, в речь. Однако до сих пор удавалось расшифровать лишь небольшое количество слов. Теперь в США создали алгоритм, благодаря которому удалось распознать до 54 процентов «речи».
Изображение блазара PKS 1424+240, полученное с помощью радиоинтерферометра VLBA, напомнило астрономам легендарное «Око Саурона» из «Властелина колец» — джет, пронизывающий кольцеобразное магнитное поле объекта, устремлен к нашей планете, а сам блазар может оказаться одним из наиболее ярких источников нейтрино в космосе.
Прибывшая из межзвездного пространства предполагаемая комета 3I/ATLAS движется по траектории, максимально удобной для гравитационных маневров управляемого корабля, при этом возможность ее отслеживания с Земли практически минимальна. По мнению некоторых ученых, такое «поведение» объекта наводит на определенные мысли.
Примерно 12 800 лет назад в Северном полушарии началось резкое изменение климата, которое сопровождалось вымиранием мегафауны и угасанием культуры Кловис. Такое могло произойти, например, из-за прорыва пресных вод в Атлантику или мощного вулканического извержения. Несколько лет назад ученые обнаружили места на суше с повышенным содержанием элементов платиновой группы, прослоями угля, микрочастицами расплава. По их мнению, это может быть признаком пребывания Земли в потоке обломков кометы или астероида. В новой работе впервые представлены доказательства кометного события в позднем дриасе из морских осадочных толщ.
Команда исследователей из Сколтеха, МФТИ, Института искусственного интеллекта AIRI и других научных центров разработала метод, позволяющий не просто отличать тексты, написанные человеком, от сгенерированных нейросетью, но и понимать, по каким именно признакам классификатор принимает решение о том, является ли текст генерацией или нет. Анализируя внутренние состояния глубоких слоев языковой модели, ученые смогли выделить и интерпретировать численные признаки, отвечающие за стилистику, сложность и «степень уверенности» текста.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
Понятно
Из-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
Понятно
Наши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
Понятно
Мы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно