Tirer parti d'un modèle de langue pour aider à la découverte d'alliage
La fabrication additive des alliages a permis la création de pièces de machine qui répondent aux exigences complexes nécessaires pour optimiser les performances dans les applications aérospatiales, automobiles et énergétiques. Trouver le mélange idéal d'éléments à utiliser dans ces parties lorsqu'il existe d'innombrables combinaisons possibles disponibles est un processus compliqué qui a été accéléré par les outils de calcul et l'intelligence artificielle.
Avec des modèles de grandes langues (LLM), tels que Chatgpt, évoluant pour mieux comprendre les langues naturelles, les chercheurs du département des sciences et de l'ingénierie des matériaux de l'Université Carnegie Mellon ont été les pionniers du potentiel de former LLM pour comprendre une nouvelle langue de physique en alliage d'une manière similaire. Dirigés par le professeur adjoint Mohadeseh Taheri- mousavi, ils ont développé des alliages, qui reconnaissent la relation entre la composition, la structure et les propriétés afin de générer de nouvelles conceptions pour les alliages structurels additivement fabriqués.
Le modèle ALLOYGPT, détaillé dans un article récent publié dans MATÉRIAUX DE COMPORTATION NPJest unique en ce qu'il a une double fonctionnalité. Il peut prédire avec précision les structures et les propriétés de phases multiples basées sur des compositions d'alliages données, et inversement, il peut suggérer une liste complète de compositions d'alliage qui se réunissent compte tenu des objectifs de conception souhaités.
« Nous avons créé une architecture qui a appris la physique des alliages afin de concevoir des alliages améliorés qui ont les qualités souhaitées pour les performances mécaniques et la fabrication dans une variété d'applications », a déclaré Taheri- mousavi.
Le groupe de Taheri-Mousavi, qui se concentre sur la conception des alliages structurels, a construit le modèle autorégressif en développant une langue pour la physique des alliages et en formation de ce modèle d'IA génératif. Plutôt que d'analyser les mots, le modèle examine les compositions et les caractéristiques structurelles dans un format de phrase pour comprendre comment la composition, la structure et les propriétés sont connectées.
Contrairement aux méthodes itératives conventionnelles qui sont souvent confrontées à des défis pour trouver toutes les solutions possibles, l'aloyage peut fournir une liste complète des combinaisons élémentaires pour produire les propriétés de matériau souhaitées demandées. Ceci est particulièrement utile pour concevoir des alliages de fabrication de gradient additive dans lesquels des changements progressifs dans les propriétés des matériaux existent dans une seule partie.
« C'est excitant de construire un modèle qui peut résoudre les tâches de prédiction et de conception simultanément », a déclaré Bo Ni, chercheur postdoctoral au groupe de Taher-Mousavi. « C'est encore plus intéressant lorsque nous démontrons que l'alliage peut synergiser la précision, la diversité et la robustesse de la résolution de problèmes. »
Ce modèle de langue a le potentiel de jeter les bases de modèles similaires et d'accélérer la conception des matériaux pour les alliages fabriqués par la fabrication traditionnelle et additive.
« Notre approche permettra aux scientifiques de découvrir rapidement des alliages avec des propriétés nouvelles ou améliorées, et aidera finalement les partenaires de l'industrie à améliorer la vitesse et à réduire le coût de leur conception d'alliage pour divers processus de fabrication », a déclaré Taheri-Mousavi.
