Entdeckung hochentropischer Legierungen durch maschinelles Lernen
Normalerweise bestehen Legierungen aus einem Hauptmetallelement, das mit kleinen Mengen anderer Elemente kombiniert wird, um zu sehen, welche Eigenschaften sich ergeben. Das war seit Tausenden von Jahren die Vorgehensweise, um mithilfe eines gewissen Maßes an Inspiration, Geduld und Zufall die richtige Mischung zu finden.
In den letzten Jahrzehnten hat sich dies jedoch geändert. Neuerdings wird an Legierungen geforscht, die zu gleichen Teilen aus mehreren Metallen bestehen. Solche Legierungen, die als Hochentropie-Legierung (HEA) bezeichnet werden, erweitern erheblich die mögliche Palette für das Materialdesign.
Interessant ist das beispielsweise für die Entwicklung von Legierungen mit niedrigem Wärmeausdehnungskoeffizienten, da sich solche Werkstoffe hervorragend für Präzisionsinstrumente eignen, die eine hohe Maßhaltigkeit der Bauteile erfordern.
Allerdings ist die Herstellung von solchen komplexen Legierungen eine Herausforderung.
Maschinelles Lernen ermöglicht komplexe Legierungen
Ein internationales Forscherteam des Max-Planck-Instituts für Eisenforschung GmbH, der Technischen Universität Darmstadt, der Technischen Universität Delft und des KTH Royal Institute of Technology hat nun erforscht, wie mithilfe von maschinellem Lernen die optimale Mischung von Metallen für eine Legierung mit bestimmten Eigenschaften identifiziert werden kann. In ihrem in der Fachzeitschrift Science veröffentlichten Artikel beschreibt die Gruppe ihren dreistufigen Prozess.
Die Forscher begannen damit, den Testbereich auf eine einzige Anwendung zu beschränken, nämlich die Herstellung von Legierungen, die sich bei Temperaturschwankungen nicht stark ausdehnen oder zusammenziehen. Sie verwendeten ein iteratives Schema, das maschinelles Lernen, Dichtefunktionaltheorie, Experimente und thermodynamische Berechnungen kombiniert, um aus Millionen von Kandidaten zwei neue Invar-Legierungen zu finden.
Dr. Ziyuan Rao, Postdoktorand am Max-Planck-Institut für Eisenforschung (MPIE) und Mitautor der Studie, erklärt: „Wenn wir Hochentropie-Legierungen entwickeln wollen und nur die am häufigsten genutzten Elemente im Periodensystem in Betracht ziehen, dann ergeben sie 1050 mögliche Legierungsvarianten – eine Zahl, die nicht experimentell überprüft werden kann. Deshalb haben wir ein auf Wahrscheinlichkeitsmodellen und künstlichen neuronalen Netzen basierendes Framework für aktives Lernen entwickelt“.
„Invar-Legierungen vorherzusagen ist rechnerisch ein sehr anspruchsvolles Problem, weil verschiedene Faktoren wie Magnetismus und Gitterschwingungen miteinander wechselwirken und die thermische Ausdehnung beeinflussen. Die Entdeckung neuer Invar-Legierungen ist deshalb ein hervorragender Beweis für unsere Berechnungen ebenso wie für das entwickelte Framework für aktives Lernen“, sagt Dr. Fritz Körmann, Forschungsgruppenleiter an der Universität Delft sowie am MPIE und Mitautor der Publikation.
Dreistufiges Modell
Das von den Wissenschaftlern entwickelte Framework für aktives Lernen umfasst drei grundlegende Schritte. Zuerst werden neue Mischungen anhand von Modellen generiert, die auf den in Datenbanken gespeicherten Informationen über die Metalleigenschaften basieren. Im nächsten Schritt wird für diese Zusammensetzungen mithilfe eines zweistufigen Regressionsmodells eine Rangfolge ermittelt, nach dem etwa 20 vorgeschlagene Zusammensetzungen übrigbleiben. In einem letzten Schritt werden drei der vom System erzeugten Legierungskandidaten hergestellt und auf ihre physikalischen Eigenschaften untersucht.
Anschließend trainiert das Team das System anhand von Daten, die von den echten Legierungen abgeleitet wurden, und wiederholte den gesamten Prozess. In nur sechs Iterationen fanden sie zwei finale neuartige Invar-Legierungen mit einem kleineren Wärmekoeffizienten als der bisherige Rekord.
„Modelle für maschinelles Lernen haben ganz erstaunliche Erfolge erzielt, wenn praktisch unbegrenzte Datenmengen verfügbar sind, beispielsweise bei Videospielen oder wenn sie an fast einem Drittel der im Internet vorhandenen Inhalte trainiert werden. Viel schwieriger ist es dagegen, Anwendungsfälle zu finden, bei denen künstliche Intelligenz einen Unterschied in der realen Welt ausgemacht hat – wie dies hier der Fall ist. Es ist sehr spannend, dass die Vorhersagen nicht nur in der Simulation getestet wurden, sondern dass neue Legierungen physisch hergestellt und geprüft wurden“, sagt Stefan Bauer, Professor vom KTH Royal Institute of Technology und Experte für maschinelles Lernen.