U svetu gde godišnji ekonomski gubici od korozije premašuju 2,5 triliona američkih dolara, potraga za legurama otpornim na koroziju i zaštitnim premazima je neprekidna. Veštačka inteligencija (AI) igra sve važniju ulogu u dizajniranju novih legura. Ipak, prediktivna moć AI modela u predviđanju ponašanja korozije i sugerisanju optimalnih formula legure ostala je neuhvatljiva.
Naučnici Mak-Planck-Instituta fur Eisenforschung (MPIE) su sada razvili model mašinskog učenja koji povećava tačnost predviđanja do 15% u poređenju sa postojećim okvirima. Ovaj model otkriva nove, ali realistične kompozicije legura otporne na koroziju. Njegova izrazita moć proizilazi iz spajanja numeričkih i tekstualnih podataka. Prvobitno razvijen za kritičnu oblast otpornosti na točku koroziju u legurama visoke čvrstoće, svestranost ovog modela može se proširiti na sva svojstva legure. Istraživači su svoje najnovije rezultate objavili u časopisu Science Advances.
„Svaka legura ima jedinstvena svojstva u pogledu njene otpornosti na koroziju. Ova svojstva ne zavise samo od sastava legure, već i od procesa proizvodnje legure. Trenutni modeli mašinskog učenja mogu da imaju koristi samo od numeričkih podataka. Međutim, metodologije obrade i eksperimentalne Protokoli testiranja, koji su uglavnom dokumentovani tekstualnim deskriptorima, ključni su za objašnjenje korozije“, objašnjava Kasturi Narasimha Sasidhar, vodeći autor publikacije i bivši postdoktorski istraživač na MPIE.
Istraživački tim je koristio metode obrade jezika, slične ChatGPT-u, u kombinaciji sa tehnikama mašinskog učenja (ML) za numeričke podatke i razvio potpuno automatizovani okvir za obradu prirodnog jezika. Štaviše, uključivanje tekstualnih podataka u ML okvir omogućava da se identifikuju poboljšani sastavi legura otpornih na koroziju.
„Obučili smo model dubokog učenja sa intrinzičnim podacima koji sadrže informacije o svojstvima korozije i sastavu. Sada je model sposoban da identifikuje kompozicije legure koje su kritične za otpornost na koroziju čak i ako pojedinačni elementi nisu prvobitno uneti u model“, kaže Michael Rohverder, koautor publikacije i šef grupe Corrosion u MPIE.
U nedavno osmišljenom okviru, Sasidhar i njegov tim su iskoristili ručno prikupljene podatke kao tekstualne deskriptore. Trenutno, njihov cilj leži u automatizaciji procesa rudarenja podataka i neprimetnoj integraciji u postojeći okvir.
Uključivanje mikroskopskih slika označava još jednu prekretnicu, predviđajući sledeću generaciju AI okvira koji konvergiraju tekstualne, numeričke podatke i podatke zasnovane na slikama.
