Gli scienziati sono pionieri di un nuovo modello di apprendimento automatico per la corrosione

11 agosto 2023

Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:

verificato

pubblicazione sottoposta a revisione paritaria

fonte attendibile

correggere le bozze

dalla Società Max Planck

In un mondo in cui le perdite economiche annuali dovute alla corrosione superano i 2,5 trilioni di dollari USA, la ricerca di leghe resistenti alla corrosione e rivestimenti protettivi è ininterrotta. L’intelligenza artificiale (AI) sta svolgendo un ruolo sempre più cruciale nella progettazione di nuove leghe. Tuttavia, il potere predittivo dei modelli di intelligenza artificiale nel prevedere il comportamento della corrosione e nel suggerire formule di lega ottimali è rimasto sfuggente.

Gli scienziati del Max-Planck-Institut für Eisenforschung (MPIE) hanno ora sviluppato un modello di apprendimento automatico che migliora la precisione predittiva fino al 15% rispetto ai quadri esistenti. Questo modello scopre nuove, ma realistiche composizioni di leghe resistenti alla corrosione. Il suo potere distinto deriva dalla fusione di dati numerici e testuali. Inizialmente sviluppato per l'ambito critico della resistenza alla corrosione per vaiolatura nelle leghe ad alta resistenza, la versatilità di questo modello può essere estesa a tutte le proprietà della lega. I ricercatori hanno pubblicato i loro ultimi risultati sulla rivista Science Advances.

"Ogni lega ha proprietà uniche per quanto riguarda la resistenza alla corrosione. Queste proprietà non dipendono solo dalla composizione della lega stessa, ma anche dal processo di produzione della lega. Gli attuali modelli di apprendimento automatico possono trarre vantaggio solo da dati numerici. Tuttavia, metodologie di elaborazione e sperimentazioni i protocolli di test, che sono per lo più documentati da descrittori testuali, sono cruciali per spiegare la corrosione", spiega Kasturi Narasimha Sasidhar, autore principale della pubblicazione ed ex ricercatore post-dottorato presso MPIE.

Il gruppo di ricerca ha utilizzato metodi di elaborazione del linguaggio, simili a ChatGPT, in combinazione con tecniche di apprendimento automatico (ML) per dati numerici e ha sviluppato un quadro di elaborazione del linguaggio naturale completamente automatizzato. Inoltre, il coinvolgimento di dati testuali nel quadro ML consente di identificare composizioni di leghe migliorate resistenti alla corrosione per vaiolatura.

"Abbiamo addestrato il modello di deep learning con dati intrinseci che contengono informazioni sulle proprietà e sulla composizione della corrosione. Ora il modello è in grado di identificare le composizioni delle leghe che sono fondamentali per la resistenza alla corrosione anche se i singoli elementi non sono stati inizialmente inseriti nel modello," afferma Michael Rohwerder, coautore della pubblicazione e capo del gruppo Corrosione presso MPIE.

Nel quadro recentemente ideato, Sasidhar e il suo team hanno sfruttato i dati raccolti manualmente come descrittori testuali. Attualmente, il loro obiettivo è automatizzare il processo di data mining e integrarlo perfettamente nel quadro esistente.

L’incorporazione di immagini al microscopio segna un’altra pietra miliare, prevedendo la prossima generazione di strutture di intelligenza artificiale che convergono dati testuali, numerici e basati su immagini.

Maggiori informazioni: Kasturi N. Sasidhar, Miglioramento della progettazione di leghe resistenti alla corrosione attraverso l'elaborazione del linguaggio naturale e l'apprendimento profondo, Science Advances (2023). DOI: 10.1126/sciadv.adg7992. www.science.org/doi/10.1126/sciadv.adg7992

Informazioni sul diario:Progressi della scienza

Fornito dalla Società Max Planck