У світі, де щорічні економічні втрати від корозії перевищують 2,5 трильйона доларів США, пошук корозійностійких сплавів і захисних покриттів не припиняється. Штучний інтелект (ШІ) відіграє все більш ключову роль у розробці нових сплавів. Проте передбачувана здатність моделей штучного інтелекту щодо передбачення корозійної поведінки та пропонування оптимальних формул сплавів залишається недосяжною.
Науковці Інституту Макса Планка для дослідження (MPIE) розробили модель машинного навчання, яка підвищує точність прогнозування на 15% порівняно з існуючими фреймворками. Ця модель розкриває нові, але реалістичні композиції стійких до корозії сплавів. Його особлива сила виникає завдяки поєднанню числових і текстових даних. Спочатку розроблена для критичної сфери опору точковій корозії у високоміцних сплавах, універсальність цієї моделі можна поширити на всі властивості сплаву. Дослідники опублікували свої останні результати в журналі Science Advances.
Об’єднання текстів і чисел
«Кожен сплав має унікальні властивості щодо стійкості до корозії. Ці властивості залежать не лише від складу самого сплаву, а й від процесу виробництва сплаву. Поточні моделі машинного навчання можуть використовувати тільки числові дані. Однак методології обробки та експериментальні протоколи тестування, які здебільшого задокументовані текстовими дескрипторами, є вирішальними для пояснення корозії», — пояснює Кастурі Нарасімха Сасідхар, провідний автор публікації та колишній докторант MPIE.
Дослідницька група використала методи обробки мови, схожі на ChatGPT, у поєднанні з методами машинного навчання (ML) для числових даних і розробила повністю автоматизовану структуру обробки природної мови. Крім того, залучення текстових даних до структури ML дозволяє ідентифікувати покращені композиції сплавів, стійкі до точкової корозії.
«Ми навчили модель глибокого навчання за допомогою внутрішніх даних, які містять інформацію про корозійні властивості та склад. Тепер модель здатна ідентифікувати композиції сплавів, які є критичними для стійкості до корозії, навіть якщо окремі елементи спочатку не були введені в модель», говорить Майкл Ровердер, співавтор публікації та керівник групи Corrosion в MPIE.
Розсуваючи межі: автоматизований аналіз даних і обробка зображень
У нещодавно розробленій структурі Сасідхар і його команда використали зібрані вручну дані як текстові дескриптори. Наразі їхня мета полягає в автоматизації процесу інтелектуального аналізу даних та бездоганній інтеграції його в існуючу структуру.
Включення мікроскопічних зображень знаменує ще одну віху, передбачаючи наступне покоління фреймворків штучного інтелекту, які об’єднують текстові, числові дані та дані на основі зображень. Джерело