至顶网软件频道消息:美国一个科学家团队希望利用人工智能在极短时间内发现新的钢材替代品。结果,他们发现了三种新的混合物,可用于制作金属玻璃,时间上比以前同类工作快了200倍。
Dawn Harmer / SLAC国家加速器实验室:Fang Ren在加速器实验室做博士后期间开发了即时分析数据的算法。图中的她正在操作斯坦福同步辐射光源射束线系统,该系统已投入使用。
金属玻璃基本上是未来的合金。通常,几种金属会混合在一起,目的是将每种金属的理想特性“添加”在一起制造出“超级金属”。合金的性能与金属类似,看上去也与金属类似,其原子结构由严谨的几何图案组成。而另一方面,金属玻璃原子结构的几何图案并不严谨,其原子结构非常像玻璃那样无序。这种原子结构因此使得相应的材料比钢更轻、更坚固。因此,金属玻璃是钢材的理想替代品。
但金属玻璃是一种相对较新的材料,金属玻璃的各种成分组合未能全部得到测试。可能的组合达数百万种,在过去的50年里仅数千种组合被测试及评估,并且只有少数组合最终被开发使用。所以,金属玻璃业界亟需寻找一种可以预测最佳组合或对最佳组合进行建模的方法。记者了解到,由能源部的SLAC国家加速器实验室、国家标准与技术研究院(https://www.nist.gov)(NIST)和西北大学(https://www.northwestern.edu起头组建的科学家团队日前找到了发现最佳金属玻璃最佳组合的捷径,而用到的方法就是利用人工智能。
该团队利用了SLAC的斯坦福同步辐射光源系统(SSRL)(https://www-ssrl.slac.stanford.edu/content/),通过机器学习系统发现了三种新的成分混合物,可用于制作金属玻璃。他们的研究结果发表在《科学进展》(Science Advances.)上。西北大学的Chris Wolverton教授是该论文的合作作者。他表示,“通常需要一、二十年才能完成一种材料从发现到商业用途的开发。该研究结果对于缩短开发时间跨出了一大步。我们可以从一个材料的清单开始,利用人工智能迅速地将数量巨大的潜在材料缩小到几个优秀的候选材料。”
该研究结果不仅可以用于金属玻璃,还可以用于其他材料,研究结果因此对于工业界来说是一项非常有价值的技术。 Wolverton教授的最终目标是扫描一种样本材料后即时利用机器学习模型提供关于这种材料的反馈。在过去的半个世纪里,科学家研究过约6000种金属玻璃的成分组合。而Wolverton教授的团队利用人工智能已经筛选了20,000种成分组合。团队在预测、实验测量和结果之间来回循环,将重要信息输入到他们的机器学习系统里。 SSRL X射线束系统可用于扫描合金,然后这些数据被输入到机器学习系统里,进而生成新的结果,然后再用这些数据创建一个新的样本,再用X射线束扫描直至制作出最好的材料。这种技术希望能在未来能发展成更快的方法,其自动化程度能更好及能用于许多许多的材料。机器学习和人工智能技术已经开发出了许多令人振奋的应用;多么美好的时代。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。