摘要：在膝盖替换和骨板，飞机组件和催化转化器中发现的，被称为多种主要元素合金（MPEA）的异常强的金属即将变得更强大。科学家使用数据驱动的框架设计了一种具有出色机械性能的新MPEA，该框架利用了可解释的人工智能（AI）的超级计算能力。...
在膝盖替换和骨板，飞机组件和催化转化器中发现的，被称为多种主要元素合金（MPEA）的异常强的金属即将变得更强大。
化学工程副教授Sanket Deshmukh及其团队使用数据驱动的框架设计了一种具有出色机械性能的新MPEA，该框架利用了可解释的人工智能（AI）的超级计算能力。他们的发现得到了国家科学基金会的资金支持，最近在《大自然》中发表了NPJ计算材料。
Deshmuk：“这项工作表明了数据驱动的框架和可解释的AI如何解锁材料设计中的新可能性。” “通过整合机器学习，进化算法和实验验证，我们不仅在加速了高级金属合金的发现，而且还可以创建可以扩展到复杂材料系统（例如甘油材料）的工具 - 含有碳水化合物的聚合物材料。”
元素协同作用，非凡属性
MPEA由于其出色的机械性能和多功能性而具有宝贵的价值。这些合金由三个或多个金属元素组成，旨在提供出色的热稳定性，强度，韧性和耐腐蚀和磨损。因为它们可以比传统合金承受更长的极端条件，因此它们非常适合在航空航天，医疗设备和可再生能源技术中应用。
与当前模型相比，该团队的主要目标是开发具有优异机械强度的新合金。
传统上，设计mpeas涉及反复试验，这是缓慢且昂贵的。但是Deshmukh和他的团队正在探索使用可解释的AI设计MPEA的巨大可能性。标准AI和可解释的AI之间的一个主要区别在于，传统的AI模型通常像“黑匣子”一样 - 它们会产生预测，但我们并不总是理解如何或为什么做出这些预测。可解释的AI通过提供对模型决策过程的见解来解决此限制。
在其工作中，该团队使用了一种称为Shap（Shapley添加说明）分析的技术来解释其AI模型的预测。这使团队成员能够了解不同的元素及其本地环境如何影响MPEA的属性。结果，他们不仅获得了准确的预测，而且获得了宝贵的科学见解。
AI可以根据其组成快速预测新MPEA的属性，并优化特定应用程序的元素组合。使用来自实验和模拟的大型数据集，AI可以帮助解释MPEA的机械行为，从而指导新的高级合金设计。
Fangxi“ Toby” Wang说：“利用可解释的AI加速了我们对MPEAS的机械行为的理解。它可以将传统的昂贵试验材料设计转变为更具预测性和有见地的过程。” “我们的设计工作流程将高级机器学习和进化算法结合在一起，为材料的结构 - 托管关系提供了可解释的见解，为发现各种高级材料提供了强大的方法。”
协作推动了突破
Deshmukh在研究方面与跨学科和机构的合作伙伴合作：
- 约翰·霍普金斯大学材料科学与工程学教授Tyrel McQueen
弗吉尼亚理工大学可持续生物材料教授Maren Roman，Glycomip的总监，国家科学基金会材料创新平台
"Working on a project this interdisciplinary is a treat," said Allana Iwanicki, a graduate student in materials science and engineering at Johns Hopkins, who synthesized and tested the alloys. “这项工作桥接了两个领域：计算生物材料和合成无机材料。取得对两组有意义的结果令人兴奋。”
After initially focusing on these solvent-free systems, Deshmukh and his team have already extended this computational framework to design more complex materials, such as new glycomaterials, with potential applications in a wide range of products, including food additives, personal care items, health products, and packaging materials. These advancements not only highlight the translational nature of this research, but also pave the way for future breakthroughs in material science and biotechnology.
"Our interdisciplinary collaboration across two National Science Foundation Materials Innovation Platforms not only allows us to develop transferable tools and platforms, but also highlights how partnerships at the intersection of computation, synthesis, and characterization can drive transformative breakthroughs in both fundamental science and real-world applications," said Deshmukh.
