金属研究与人工智能的未来

由韩国浦项科技大学材料科学与工程系、黑色金属与生态材料技术研究生院的hyyoung Seop Kim教授以及材料科学与工程系的在读博士Jeong Ah Lee所在的研究小组最近与巴西吉拉斯州米纳斯联邦大学冶金与材料工程系的Figueiredo教授合作，开发了一种最优的人工智能模型来预测各种金属的屈服强度，有效地解决了传统金属研究中的时间和成本限制。该研究结果近日在线发表于国际金属与材料工程杂志Acta Materialia。

屈服强度是材料（例如金属）在外部应力下开始变形的点。在材料工程中，准确预测屈服强度对于开发高性能材料和增强结构稳定性至关重要。然而，预测这种特性需要考虑诸多变量，如材料中的晶粒尺寸和杂质类型，并且通常需要长时间进行大量实验来收集数据。为了解决这个问题，通常使用Hall-Petch方程，该方程建立了材料屈服强度与其晶粒尺寸之间的关系。然而，考虑到新材料的特定特性和各种环境条件（如温度和应变率），它在准确预测新材料的屈服强度方面存在局限性。在这项研究中，该团队将物理理论与人工智能（AI）技术相结合，在提高准确性的同时，降低预测屈服强度所需的成本和时间。他们开发了一种机器学习模型，该模型应用了“晶界滑动”机制，该机制描述了材料内的粒子如何相互移动以及用于预测屈服强度的机器学习算法。首先，该团队采用黑盒模型来分析各种材料特性对屈服强度的影响。然后，他们开发了一个具有明确输入和输出的白盒模型，以提高屈服强度预测的精度。该团队使用了多种不属于屈服强度预测模型的铁基合金训练数据来验证他们开发的模型。结果表明，即使在未经训练的数据上进行预测，该模型与实际屈服强度的平均绝对误差为7.79 MPa，具有较高的准确性。浦项科技大学的Hyoung Seop Kim教授表示:“我们已经开发出了能够准确预测不同类型金属和各种实验条件下屈服强度的通用人工智能模型。接下来我们将继续积极利用人工智能技术，在材料工程研究方面取得重大进展。”

该研究是在韩国国家研究基金会（NRF）的纳米与材料技术开发计划支持下进行的，该基金会由科学和信息通信技术部资助。