โลหะผสมหน่วยความจำรูปร่างใหม่ที่ค้นพบผ่านกรอบปัญญาประดิษฐ์

Shape Memory Alloys ถูกนำไปใช้ในด้านต่างๆ ที่ต้องการขนาดกะทัดรัด น้ำหนักเบา และโซลิดสเตตแอคทูเอเตอร์ แทนที่แอคชูเอเตอร์แบบไฮดรอลิกหรือนิวแมติกเนื่องจากสามารถเปลี่ยนรูปได้เมื่อเย็น และกลับคืนสู่รูปร่างเดิมเมื่อได้รับความร้อน คุณสมบัติเฉพาะนี้มีความสำคัญอย่างยิ่งสำหรับการใช้งาน เช่น ปีกเครื่องบิน เครื่องยนต์ไอพ่น และชิ้นส่วนยานยนต์ ที่ต้องทนทานต่อการเปลี่ยนแปลงรูปทรงขนาดใหญ่ซ้ำๆ และกู้คืนได้ มีความก้าวหน้ามากมายในโลหะผสมหน่วยความจำรูปร่างตั้งแต่เริ่มต้นในช่วงกลางทศวรรษที่ 1960 แต่มีค่าใช้จ่าย การทำความเข้าใจและค้นพบโลหะผสมหน่วยความจำรูปร่างใหม่จำเป็นต้องมีการวิจัยอย่างละเอียดผ่านการทดลองและการลองผิดลองถูกเฉพาะกิจ แม้ว่าจะมีหลายสิ่งที่ได้รับการบันทึกไว้เพื่อช่วยกำหนดรูปแบบการใช้งานโลหะผสมหน่วยความจำเพิ่มเติม แต่การค้นพบโลหะผสมใหม่ก็เกิดขึ้นในรูปแบบที่เสื่อมโทรม ทุก ๆ 10 ปี มีการค้นพบองค์ประกอบหรือระบบโลหะผสมหน่วยความจำรูปร่างที่สำคัญ ยิ่งกว่านั้น แม้ว่าจะมีความก้าวหน้าในโลหะผสมหน่วยความจำรูปร่าง แต่ก็ถูกขัดขวางโดยประสิทธิภาพพลังงานต่ำซึ่งเกิดจากความไม่ลงรอยกันในโครงสร้างจุลภาคระหว่างการเปลี่ยนแปลงรูปร่างขนาดใหญ่ นอกจากนี้ พวกมันยังยากที่จะออกแบบตั้งแต่เริ่มต้น เพื่อแก้ไขข้อบกพร่องเหล่านี้ นักวิจัยของ Texas A&M ได้รวมข้อมูลการทดลองเพื่อสร้างกรอบการคำนวณ AIMS ที่สามารถกำหนดองค์ประกอบของวัสดุที่เหมาะสมที่สุดและประมวลผลวัสดุเหล่านี้ ซึ่งนำไปสู่การค้นพบองค์ประกอบโลหะผสมหน่วยความจำรูปร่างใหม่ "ในการออกแบบวัสดุ บางครั้งคุณมีวัตถุประสงค์หรือข้อจำกัดหลายอย่างที่ขัดแย้งกัน ซึ่งเป็นเรื่องยากมากที่จะแก้ไข" ดร. อิบราฮิม คารามาน ศาสตราจารย์เชฟรอนที่ 1 และหัวหน้าแผนกวัสดุศาสตร์และวิศวกรรมกล่าว "การใช้เฟรมเวิร์กแมชชีนเลิร์นนิงของเรา เราสามารถใช้ข้อมูลการทดลองเพื่อค้นหาความสัมพันธ์ที่ซ่อนอยู่ระหว่างคุณสมบัติของวัสดุต่างๆ เพื่อดูว่าเราสามารถออกแบบวัสดุใหม่ๆ ได้หรือไม่" โลหะผสมหน่วยความจำ รูปร่าง ที่พบในระหว่างการศึกษาโดยใช้ AIMS ได้รับการทำนายและพิสูจน์แล้วว่าบรรลุฮิสเทรีซิสที่แคบที่สุดที่เคยบันทึกไว้ กล่าวอีกนัยหนึ่ง วัสดุแสดงการสูญเสียพลังงานต่ำที่สุดเมื่อเปลี่ยนพลังงานความร้อนเป็นงานเชิงกล วัสดุนี้แสดงประสิทธิภาพสูงเมื่ออยู่ภายใต้วงจรความร้อนเนื่องจากหน้าต่างอุณหภูมิการเปลี่ยนแปลงที่เล็กมาก วัสดุยังแสดงความเสถียรของวัฏจักรที่ดีเยี่ยมภายใต้การกระตุ้นซ้ำๆ ส่วนประกอบของนิกเกิล-ไททาเนียม-ทองแดงเป็นเรื่องปกติสำหรับโลหะผสมจำรูปร่าง โดยทั่วไปแล้วโลหะผสมนิกเกิล-ไททาเนียม-ทองแดงจะมีไททาเนียมเท่ากับ 50% และเป็นวัสดุเฟสเดียว เมื่อใช้แมชชีนเลิร์นนิง นักวิจัยคาดการณ์องค์ประกอบที่แตกต่างกันโดยมีไททาเนียมเท่ากับ 47% และทองแดงเท่ากับ 21% ในขณะที่องค์ประกอบนี้อยู่ในพื้นที่สองเฟสและก่อตัวเป็นอนุภาค พวกมันช่วยเพิ่มคุณสมบัติของวัสดุ วิลเลียม เทรเฮิร์น นักศึกษาปริญญาเอกและผู้ช่วยวิจัยระดับบัณฑิตศึกษาในแผนกวัสดุศาสตร์และวิศวกรรม และผู้เขียนคนแรกของสิ่งพิมพ์อธิบาย โดยเฉพาะอย่างยิ่ง เมมโมรี่อัลลอยรูปทรงประสิทธิภาพสูงนี้ยืมตัวมาเพื่อการเก็บเกี่ยวพลังงานความร้อน ซึ่งต้องการวัสดุที่สามารถดักจับพลังงานเหลือทิ้งที่ผลิตโดยเครื่องจักรและนำไปใช้งาน และการเก็บพลังงานความร้อนซึ่งใช้สำหรับระบายความร้อนอุปกรณ์อิเล็กทรอนิกส์ ที่โดดเด่นกว่านั้น กรอบงาน AIMS เปิดโอกาสให้ใช้เทคนิคการเรียนรู้ของเครื่องในวัสดุศาสตร์ นักวิจัยมองเห็นศักยภาพในการค้นพบสารเคมีโลหะผสมหน่วยความจำรูปร่างที่มีคุณสมบัติที่ต้องการสำหรับการใช้งานอื่นๆ ที่หลากหลาย "การใช้แมชชีนเลิร์นนิงเพื่อค้นหาความเชื่อมโยงที่สมองของเราหรือหลักการทางกายภาพที่เรารู้จักอาจไม่สามารถอธิบายได้ถือเป็นการเปิดเผย" Karaman กล่าว "เราสามารถใช้วิทยาการข้อมูลและแมชชีนเลิร์นนิงเพื่อเร่งอัตราการค้นพบวัสดุ ผมยังเชื่อว่าเราอาจค้นพบฟิสิกส์หรือกลไกใหม่ๆ ที่อยู่เบื้องหลังพฤติกรรมของวัสดุที่เราไม่รู้มาก่อน หากเราให้ความสนใจกับการเชื่อมต่อที่แมชชีนเลิร์นนิงสามารถค้นพบได้ " ผู้ร่วมให้ข้อมูลอื่นๆ ได้แก่ Dr. Raymundo Arróyave และ Dr. Kadri Can Atli อาจารย์ในแผนกวัสดุศาสตร์และวิศวกรรมศาสตร์ และนักศึกษาระดับปริญญาตรีด้านวัสดุศาสตร์และวิศวกรรม Risheil Ortiz-Ayala Arróyave กล่าวว่า "ในขณะที่แมชชีนเลิร์นนิงถูกนำมาใช้อย่างแพร่หลายในวัสดุศาสตร์ แนวทางส่วนใหญ่ในปัจจุบันมุ่งเน้นไปที่การทำนายคุณสมบัติของวัสดุโดยไม่จำเป็นต้องอธิบายวิธีการประมวลผลเพื่อให้ได้คุณสมบัติตามเป้าหมาย" Arróyave กล่าว "ในที่นี้ กรอบการทำงานไม่ได้พิจารณาเฉพาะองค์ประกอบทางเคมีของวัสดุที่เลือกเท่านั้น แต่ยังรวมถึงการประมวลผลที่จำเป็นเพื่อให้ได้มาซึ่งคุณสมบัติที่น่าสนใจ"