Pri hľadaní nových materiálov, vďaka ktorým môžu byť nové výrobky rýchlejšie, ľahšie, pevnejšie či lacnejšie, stoja vedci pred nezávideniahodnou úlohou – kde začať a ktorým sa pustiť. Na svete totiž môže existovať nespočetné množstvo kombinácií rôznych prvkov, ktoré navyše môžu meniť svoje vlastnosti počas rôznych procesov spracovania či pod vplyvom chemických reakcií, tepla atď. Napríklad zliatiny s vysokou entropiou, teda značne neusporiadanou štruktúrou, vykazujú vysokú pevnosť, ale sú zmesou niekedy piatich, inokedy až dvadsiatich prvkov. Ako teda komplexne a systematicky preskúmať ich rôzne pomery, obmeny, fázy, vlastnosti...?

Naslepo to nejde

Nie je možné pustiť sa do práce naslepo a experimentovať spôsobom úspechu a omylu. V minulosti boli vedci často odkázaní iba na svoju odbornú intuíciu alebo museli zhomaždiť obrovské množstvo dovtedy známych údajov a na ich základe extrapolovať, ktorým smerom sa asi treba uberať. Stovky rokov ľudia objavovali nové materiály v podstate náhodou. Tak sme spoznali sklo a kovy ako napríklad železo, a až do 19. storočia, keď Thomas Edison hľadal materiály pre svoje žiarovkové vlákna vyskúšaním všetkého, čo mu prišlo pod ruku, sa na tomto procese veľa nezmenilo.

Počítače pomohli

Zavedenie moderných výskumných metód v prvej a hlavne výkonných počítačov v druhej polovici minulého storočia už posnulo materiálový výskum do inej polohy. Vďaka tomu máme dnes napríklad k dispozícii celý rad vláknom vystužených kompozitných materiálov, ktoré sa zrodili s využitím známych determinantov tvorby a šírenia trhlín. Súčasný nástup umelej inteligencie a najmä jedného jej prvku – strojového učenia (Machine Learning – ML), v podstate nahradí ľudskú intuíciu a najmä uľahčí prácne a zdĺhavé hľadanie či porovnávanie tým, že nájde požadované vzorce a zákonitosti v tom, čo už poznáme.

Drinu strojom!

ML sa dnes používa v mohých aplikáciách, kde obrovské množstvo dát prevyšuje ľudské schopnosti ich asimilovať - ​​od genomiky a dizajnu liekov po analýzu finančných trhov a vývoj algoritmov hrania hier. Automatizovaný prieskum materiálov je v podstate nový spôsob vedeckého výskumu, ktorý pomáha zlepšovať, zefektívňovať a usmerňovať proces získavania nových poznatkov. „ML určite dokáže predpovedať materiály s požadovanými vlastnosťami, preto by sa v nasledujúcich rokoch mohol vzťah medzi ľuďmi a počítačmi vyrovnať. Nedefinoval by sa ako vzťah používateľov a nástrojov, ale ako spolupráca," uviedol Bryce Meredig zo spoločnosti Citrine Informatics v Redwood City v Kalifornii.

Strojové tušenie

Algoritmy ML vo všeobecnosti využívajú časť dostupnej množiny údajov na učenie sa, aby hľadali vzťahy medzi vstupnými údajmi a požadovanými vlastnosťami. Ostatné známe údaje sa potom použijú na optimalizáciu modelu, aby sa zistilo, ako dobre model ML predpovedá cieľovú vlastnosť pre prípady, keď je známa odpoveď. Akonáhle systém identifikuje príslušné deskriptory, čiže vzťah medzi mikroskopickými a makroskopickými vlastnosťami, môžu sa použiť na hľadanie nových materiálov spomedzi tých, ktoré sú už známe, ale neboli testované na požadovanú vlastnosť. „Najviac nám ML pomáha v situáciách, keď netušíme, aký bude výsledok, ale zato máme k dispozícii obrovské množstvo údajov,“ uviedol Gerbrand Ceder z Kalifornskej univerzity v Berkeley.

Nechajte ho hrať sa...

Niekedy však môže byť výhodou, ak sa človek stiahne a nechá stroj rozhodnúť, na čom záleží. Takzvané učenie bez dozoru nezadáva do počítača žiadne informácie o tom, čo a hľadáme. Vzhľadom na množstvo materiálov s konkrétnym zložením alebo inými vstupnými parametrami, a s radom pozorovaných vlastností algoritmus medzi nimi hľadá trendy alebo zoskupenia, bez konkrétnych limitov o tom, aký materiál hľadáte a aké by mal mať vlastnosti. Podľa názoru odborníkov sú metódy bez dozoru sú oveľa výkonnejšie, pretože sú najbližšie k tomu, ako funguje ľudský mozog.

Vzájomná výpomoc

Vedci označujú súčasný nástup umelej inteligencie v oblasti hľadania nových materiálov za tzv. fázu 4. Tento trend je podmienený troma hlavnými faktormi: prístupom k väčším súborom údajov o vzťahoch štruktúra-funkcia materiálov; zlepšením rozsahu a spoľahlivosti počítačového modelovania a simulácie; algoritmami, ktoré umožňujú ML analyzovať súbory veľkých dát na extrakciu trendov, zákonov a princípov nad možnosti ľudskej intuície. Tempo pokroku nových technológií sa zvyšuje a výskum materiálov s ním drží krok. Aj vďaka novým technológiám...

Hľadanie pokračuje...

Termoelektrické materiály sú v dnešnom svete dôležité hlavne preto, že môžu meniť teplo na elektrinu alebo naopak. Jedným z najúčinnejších známych termoelektrických materiálov je telurid olovnatý, ale prítomnosť toxického olova obmedzuje jeho potenciálne aplikácie. Vedci identifikovali mnoho ďalších vhodných termoelektrických prvkov, ale kritériá pre komerčne životaschopný produkt na báze zložiek, ktoré nie sú drahé ani toxické, nedokázal splniť žiadny z nich. Namiesto hľadania charakteristík potrebných pre dobrý termoelektrický materiál sa kvantové mechanické výpočty s využitím algoritmov ML sústredili na preskúmanie elektronických vlastností a korelácií medzi zložením, štruktúrou a vlastnosťami tých, ktoré už dnes poznáme. Výsledkom bolo objavenie niekoľkých vhodných „kandidátov,“ s ktorými sa dalo pracovať dalej.