Các nhà khoa học tại Nhật Bản đã phát triển một phương pháp học máy có thể dự đoán các yếu tố và quy trình sản xuất cần thiết để có được một hợp kim nhôm với các tính chất cơ học cụ thể, mong muốn. Cách tiếp cận, được công bố trên tạp chí Khoa học và Công nghệ Vật liệu tiên tiến, có thể tạo điều kiện cho việc khám phá các vật liệu mới.

Hợp kim nhôm là vật liệu nhẹ, tiết kiệm năng lượng được làm chủ yếu từ nhôm, nhưng cũng chứa các yếu tố khác, chẳng hạn như magiê, mangan, silicon, kẽm và đồng. Sự kết hợp của các yếu tố và quy trình sản xuất xác định khả năng đàn hồi của các hợp kim. Ví dụ, hợp kim nhôm 5000 series có chứa magiê và một số nguyên tố khác và được sử dụng làm vật liệu hàn trong các tòa nhà, ô tô và tàu điều áp. Hợp kim nhôm 7000 series chứa kẽm, và thường là magiê và đồng, và được sử dụng phổ biến nhất trong khung xe đạp.

Thử nghiệm với sự kết hợp khác nhau của các yếu tố và quy trình sản xuất để chế tạo hợp kim nhôm là tốn thời gian và tốn kém. Để khắc phục điều này, Ryo Tamura và các đồng nghiệp tại Viện Khoa học Vật liệu Quốc gia Nhật Bản và Tập đoàn Toyota Motor đã phát triển một kỹ thuật tin học vật liệu cung cấp dữ liệu đã biết từ cơ sở dữ liệu hợp kim nhôm thành mô hình học máy.

Điều này tạo mô hình để hiểu mối quan hệ giữa các tính chất cơ học của hợp kim và các yếu tố khác nhau mà chúng được tạo ra, cũng như loại xử lý nhiệt được áp dụng trong quá trình sản xuất. Khi mô hình được cung cấp đủ dữ liệu, sau đó nó có thể dự đoán những gì cần thiết để sản xuất một hợp kim mới với các tính chất cơ học cụ thể, mà không cần đầu vào hoặc giám sát từ con người.

Mô hình này sử dụng phương pháp thống kê, được gọi là chuỗi Markov Monte Carlo, sử dụng thuật toán để thu thập thông tin và sau đó biểu diễn các kết quả trong các biểu đồ tạo thuận lợi cho việc hình dung các biến khác nhau liên quan như thế nào. Phương pháp học máy có thể được thực hiện đáng tin cậy hơn bằng cách nhập một tập dữ liệu lớn hơn trong quá trình sản xuất.

ctngoc