ケンブリッジ大学の科学者が率いるチームは、材料の特性を予測するための「多忠実度」機械学習アプローチを開発しました。この方法は、計算手法を使用して実験測定を使用して得られた材料の構造に関する情報を組み合わせて、深い学習アルゴリズムを使用して正確な予測モデルを構築しました。
科学者は、鋼合金、高エントロピー合金、熱電材料、金属有機フレームワークの4つの材料の多忠実度アプローチをテストしました。彼らは、その方法がこれらの材料の特性を予測する上で最先端のパフォーマンスを達成したことを実証しました。
たとえば、鋼の合金の場合、多忠実度モデルは、最良の以前の方法では4.5％と比較して、平均絶対誤差（MAE）で材料の降伏強度を1.8％しか予測していませんでした。高エントロピー合金の場合、マルチフィデリティモデルは、最良の以前の方法では5.8％に対して、2.3％のMAEで材料のビッカースの硬度を予測しました。
ケンブリッジの材料科学および冶金局の共同著者ハオウー博士は、次のように述べています。「しかし、物理学的に効率的な予測を提供するための機械学習のためには、物理学的なモデルと実験モデルの測定などの複数の補完的な情報源を組み合わせる必要があります。」
材料の発見と開発には、現在、材料合成の反復サイクル、材料特性を測定する実験、および基礎となるメカニズムを理解するための費用のかかる計算シミュレーションが含まれます。このアプローチは時間がかかり、高価で、非効率的であり、通常、物理学や化学の深い知識を持つ人間の専門家が必要です。
新しいマルチフィデリティマシンラーニングアプローチは、多くの時間のかかる実験や高忠実度計算を実行することなく、最も有望な材料候補を効率的に識別することにより、設計プロセスを合理化します。
「典型的な高忠実度の計算シミュレーションは、完了するまでに1週間または数か月かかる場合があります」と、材料科学福祉省の共同ファーファー著者Xiaoqing Huang博士は述べています。忠実度の高いモデルの学習を導きます。」
材料の発見に関連する時間とコストを大幅に削減することにより、新しいマルチフィデリティマシンラーニング技術は、エネルギー貯蔵、触媒、航空宇宙など、幅広い用途向けの新しい改良された材料の開発を加速できます。
「私たちのアプローチは、材料の発見と開発のブレークスルーを可能にするだけでなく、化学、生物学、製薬研究などの他の分野の計算科学と設計にも利益をもたらすと信じています」と、材料科学＆冶金学部のLi Yang教授は述べています。
