Günümüzde havacılık, enerji ve bilişim teknolojileri gibi ileri sektörlerde kullanılan malzemelerin performansını artırmak için sürekli yeni alaşımlar araştırılıyor. Ancak bu alaşımların gerçek kullanım koşullarında nasıl davranacağını öngörmek, özellikle katı malzemelerin karmaşık kimyasal yapıları nedeniyle zorlu bir süreç. Geleneksel simülasyon yöntemleri, bu yapıların çeşitliliği karşısında yetersiz kalıyor ve şirketler malzemeyi ürettikten sonra test etmek zorunda kalıyor. Bu durum hem maliyetleri artırıyor hem de yenilik sürecini yavaşlatıyor.
MIT araştırmacıları, metal alaşımlarının davranışını yüksek doğrulukla modelledikleri yeni bir yaklaşım geliştirdi. Bu yöntem, makine öğrenmesi modellerini kullanarak simülasyonları hem hızlandırıyor hem de daha güvenilir hale getiriyor. Araştırmacılar, kimyasal olarak düzensiz malzemelerin atomik ortam çeşitliliğini yakalayan özel eğitim veri setleri oluşturarak modelleri geliştirmeyi başardı.
Yeni çalışmalarını Science Advances dergisinde yayımlayan ekip, farklı metal alaşımlarının çeşitli koşullar altında nasıl davrandığını tahmin etmeyi başardı. Ayrıca, deneysel maliyetlerin yüksek olduğu senaryolarda yeni malzemelerin geliştirilmesi için de bu yöntemin kullanılabileceğini gösterdi.
Projenin kıdemli yazarı ve MIT Malzeme Bilimi ve Mühendisliği Bölümü'nde TDK Kariyer Geliştirme Profesörü olan Rodrigo Freitas, bu yaklaşımın metallere odaklandığını ancak yarı iletkenler gibi diğer malzeme türlerine de uyarlanabileceğini belirtiyor. Freitas, "Bu yöntem herhangi bir özel uygulamaya özgü değil. Sürdürülebilir çelikler, havacılık malzemeleri ve daha birçok alanda kullanılabilir. İşte bu yüzden heyecan verici" diyor.
Freitas'a makalede ilk yazar olarak katılan isimler arasında Killian Sheriff, Daniel Xiao, Yifan Cao ve Sheffield Üniversitesi'nden Lewis R. Owen yer alıyor.
Kimyasal düzensizlik sorununun üstesinden gelmek
Bir malzemenin özellikleri, içindeki kimyasal elementlerin dizilimiyle doğrudan ilişkili. Aynı kimyasal bileşime sahip iki malzeme bile, atomik dizilimdeki farklılıklar nedeniyle kırılgan ya da esnek olabiliyor. Bu farkı yakalamak için malzemelerin atom düzeyinde simüle edilmesi gerekiyor. Araştırmacılar, atomlar arasındaki etkileşimleri tanımlayan modeller kullanıyor. Son yirmi yılda, makine öğrenmesi bu modellerin en doğru şekilde inşa edilmesinde kilit rol oynadı. Ancak bu modeller, genellikle yüksek derecede düzenli kimyasal yapılarda iyi çalışıyor. Oysa çoğu katı malzeme, bölgesel olarak değişen ve düzensiz kimyasal yapılara sahip.
Freitas, "Alanımızdaki gerçek zorluk, kimyasal olarak düzensiz fazları modellemek" diyor. "Kimyasal düzensizlik, çok çeşitli yerel kimyasal ortamlar anlamına geliyor ve bu da makine öğrenmesi modelinin öğrenmesini zorlaştırıyor. Pratikte kullandığımız her metal, kimyasal olarak düzensizdir. Bu nedenle bu sorun kritik önem taşıyor."
Mevcut yaklaşım, bu simülasyonlar için eğitim veri setlerini oluşturmakta yetersiz kalıyor. Önde gelen yöntem, bir malzeme için eğitim verisini oluşturmak amacıyla 100 bin saatten fazla hesaplama süresi gerektiriyor. Üstelik, malzemenin bileşimini değiştirildiğinde bu veri setleri iyi transfer olmuyor.
Veri setlerini optimize etmek
Freitas ve ekibi, geçmiş çalışmalarında katı malzemelerin kimyasal karmaşıklığını ölçmek için atom gruplarının sıklığı ve aralığını analiz eden bir yöntem geliştirdi. Yeni çalışmalarında da bu yetenekten yararlanarak daha iyi eğitim veri setleri oluşturdu. Bilgi teorisi adı verilen matematiksel bir yaklaşım kullanarak, düzensiz malzemelerin içindeki çeşitli yerel kimyasal ortamları yakalayan veri setleri inşa ettiler. Bu yöntem, örneklerden atomları değiştirerek tekrarlayan ortamları azaltıyor ve modelin karşılaşmadığı ortamlara maruz kalmasını sağlıyor.
Freitas, "Eğitim setini sürekli optimize ettik, böylece mümkün olan en fazla farklı yerel ortamı yakaladık" diyor. "Aynı ortam çok fazla tekrar ediyorsa, gereksiz örnekleri modelin karşılaşmadığı ortamlarla değiştirdik. Bu sayede her örnek yeni bir bilgi katıyor ve eğitim seti çok daha bilgilendirici hale geliyor."
Araştırmacılar, kendi veri setleriyle eğitilen modellerin rastgele örnekleme ya da başka popüler yöntemlerle eğitilen modellere kıyasla malzeme özelliklerini daha doğru tahmin ettiğini gösterdi.
Freitas, "Tüm atom düzeyindeki simülasyonların başlangıç noktası, atomlar arasındaki kimyasal bağları doğru şekilde tanımlayabilmektir" diyor. "Bunu yapamazsanız, genel olarak malzemeler hakkında fikir edinirsiniz, ancak gerçek dünyada belirli malzemelerin nasıl davranacağını tahmin edemezsiniz. Bu yaklaşım, simülasyonların kimyasal açıdan yüksek sadakatle çalışmasını sağlıyor ve malzemelerin gerçek davranışlarına daha yakın sonuçlar üretiyor."
Ekip, çeşitli kimyasal bileşimlere sahip metal alaşımları için makine öğrenmesi eğitim veri setleri oluşturdu. Bu veri setleriyle eğitilen modellerin, Google ve Microsoft gibi şirketler tarafından oluşturulan çok daha büyük modellere kıyasla daha doğru sonuçlar verdiğini gösterdi.
Freitas, "Bu yöntemin pahalı brute-force yöntemlere gerek kalmadan çalıştığını kanıtladık" diyor. "Killian'a, 'Bu iyi bir makale, ancak bu modellerle yapılan simülasyonların faydalı malzeme özelliklerini doğru şekilde tahmin ettiğini gösterebilirseniz, çok daha iyi bir makale olur' dedim. Killian da bunu aklına koydu ve yaklaşımı mümkün olduğunca geniş bir şekilde test etti." Sheriff, Xiao ve Cao ile birlikte farklı alaşımlar ve özellikler üzerinde çalışan ekip, Owen'ın deneysel verilerini de kullanarak simülasyonları gerçek ölçümlerle karşılaştırdı.
Endüstriyel uygulamalara doğru
Bu yeni yaklaşım, malzeme bilimi alanında devrim niteliğinde bir adım olarak değerlendiriliyor. Geleneksel yöntemlerle haftalar ya da aylar süren simülasyonların artık çok daha kısa sürede ve yüksek doğrulukla gerçekleştirilmesi mümkün hale geliyor. Bu da şirketlerin Ar-Ge maliyetlerini düşürürken, yenilik sürecini hızlandırmalarına olanak tanıyor.
Freitas, bu yöntemin endüstriyel uygulamalara nasıl entegre edilebileceğine dair de fikirler sunuyor. Özellikle havacılık ve enerji sektörlerinde, malzeme performansının kritik olduğu alanlarda bu yaklaşımın kullanılması büyük fayda sağlayabilir. Ayrıca, sürdürülebilir malzemelerin geliştirilmesi için de yeni kapılar aralıyor.
Gelecekte, bu makine öğrenmesi tabanlı simülasyon yönteminin diğer malzeme türlerine de genişletilmesi ve endüstriyel standartlara uyarlanması bekleniyor. Böylece, malzeme bilimi alanında daha hızlı ve daha verimli yeniliklerin önü açılmış olacak.
Yapay zeka özeti
MIT araştırmacıları, metal alaşımlarının karmaşık kimyasal yapısını yüksek doğrulukla modelleyen bir makine öğrenmesi yaklaşımı geliştirdi. Endüstriyel uygulamalarda devrim yaratabilecek bu yöntem hakkında detaylar.
