Исследователь NIST Гилад Кусне совместно с коллегами из Университета Мэриленда применил алгоритм автономного поиска материалов AMASE (Autonomous Materials Search Engine), чтобы изучить, как различные сочетания элементов ведут себя при разных температурах. Метод использует рентгеновские лучи и машинное обучение для анализа материалов на специальной комбинаторной пластине.
Как работает AMASE
Учёные направляют рентгеновские лучи на пластину («вафлю»), состоящую из олова и висмута, содержащую сотни тысяч различных соотношений этих элементов — так называемую комбинаторную библиотеку.
Каждая точка на пластине представляет собой отдельный материал для изучения. Исследователи сравнивают этот процесс с выбором книги в библиотеке — каждая точка — это своя «книга», которую можно «прочитать».
Почти бесконечное число вариантов
Поскольку учёные также анализируют такие факторы, как температура, количество возможных материалов для исследования становится практически неограниченным.
По словам Гилада Кусне, ключевая особенность AMASE — способность экстраполировать, то есть делать прогнозы за пределами имеющихся данных. Это качество, которым большинство систем искусственного интеллекта, как правило, не обладает.
AMASE способен делать прогнозы за пределами доступного набора данных — то, с чем большинство AI-систем обычно не справляются.
Потенциальные применения
Понимание того, как различные материалы ведут себя в разных условиях, может привести к широкому спектру практических применений — от автоматизированного производства до разработки квантовых материалов.
NIST и Университет Мэриленда разработали AI-систему AMASE, которая с помощью рентгеновского анализа исследует сотни тысяч комбинаций материалов на основе олова и висмута. Алгоритм способен экстраполировать данные за пределы известного набора — задача, сложная для большинства ИИ-систем. Это открывает перспективы для автоматизированного производства и квантовых материалов.
