|
ガスタービン、原子炉、航空宇宙推進システムなどの工学用途では、優れた高温機械的特性を持つ金属合金への需要が高まっています。材料の融点固有の限界により、従来のニッケル基（Ni）超合金の耐熱性は限界に近づいています。高温構造材料開発のニーズに応えるため、 2010年に提案された高エントロピー耐火合金（RHEA）は、1000℃以上の高温でも高い強度を維持できることから大きな注目を集めています。 様々な高融点耐火元素を添加することで、一部のRHEAは耐熱合金に匹敵する高温強度を示す。さらに、高エントロピー効果による構造安定性により、RHEAは高温用途において非常に有望視されている。しかし、RHEAに耐火元素を添加すると高温強度は向上する一方で、室温での延性は著しく低下する。例えば、ほとんどのRHEAは室温での圧縮破壊ひずみが10%未満であり、更なる加工が困難となっている。 優れた高温強度と室温での延性を同時に有する高温合金（RHEA）の開発を目指した研究が数多く行われてきました。従来、RHEAは特定の元素の組成を調整することで設計されていましたが、この設計は研究者の経験と直感に大きく依存しており、大きな不確実性をもたらしていました。さらに、RHEAの組成空間は広大で、数十億もの候補組成が存在しています。この複雑さと膨大な探索空間は、有望な合金の迅速な発見を著しく制限しています。 近年、材料科学における複雑な問題の解決に機械学習（ML）を活用することが広く注目を集めています。北京科技大学の蘇燕静氏率いるチームは、ML、遺伝的探索、クラスター分析、実験フィードバックを組み合わせた多目的最適化（MOO）フレームワークを設計し、RHEA組成空間において最適な高温強度と室温延性を持つ合金を探索しました。 具体的には、研究チームは24種類のRHEAを合成し、ZrNbMoHfTa合金が高温用途に潜在性があることを突き止めました。中でも、Zr0.13Nb0.27Mo0.26Hf0.13Ta0.21合金は優れた機械的強度を示し、1200℃での降伏強度は約940MPa、室温での破壊ひずみは17.2%です。この合金は優れた耐熱性と良好な構造安定性を示しており、高温での構造用途への可能性を示唆しています。また、室温での延性により、機械加工性も向上しています。 「最適な強度と延性を備えた耐火性高エントロピー合金の機械学習支援による組成設計」と題された関連する研究結果が、Engineering 誌に掲載されました。 研究のハイライト:
論文の宛先: オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめ、膨大なデータセットとツールを提供します。 https://github.com/hyperai/awesome-ai4s データセット: 統計的手法を使用してより多くのデータセットを構築する機械学習モデルを構築するため、研究者らは文献から第4族（Ti、V、Cr）、第5族（Zr、Nb、Mo）、および第6族（Hf、Ta、W）の耐火金属とアルミニウム（Al）を含む合金サンプルデータを収集した。すべての合金は、材料処理による性能変動を低減するため、アーク溶解法で作製された。初期データセットには、報告されている組成（ci）と機械的特性（y）が含まれており、侵入型元素（酸素、窒素、炭素など）の添加は考慮されていない。収集された鋳放し合金は、単相または多相構造を含んでいた。したがって、高温強度と室温延性の目標特性を予測するために、それぞれ54個と145個の合金サンプルからなる2つの独立したデータセットが構築された。 RHEAの広大な探索空間を考えると、小規模データセットで学習したMLモデルのみに頼って最適な性能を持つ材料を予測・発見するのは不十分です。期待効用を最大化するように実験用の合金を選択するための効用関数を定義することができます。本研究では、研究者らは期待性能改善（EI）を効用指標として用い、探索（予測モデルの改善を目指す）と利用（最良の予測結果の発見を目指す）のバランスをとりました。具体的には、よく知られた統計手法であるブートストラッピングを用いて復元抽出を行い、より大きなデータセットを構築し、それを用いて様々なMLモデルを学習しました。 モデルアーキテクチャ：ML、遺伝的探索、クラスター分析、実験設計を統合したMOO戦略下の図(a)は、本研究でRHEAの最適化設計に使用したMOO戦略を示しています。全体的なワークフローは3つの部分で構成されています。
機械学習ベースのRHEAs多目的最適化フレームワーク 機械学習: SVR.R モデルは、高温降伏強度と室温破壊ひずみを評価します。 上図に示すように、研究者らは、組成と性能の関係性を確立することで、合金の目標特性を予測するMLモデルを学習しました。収集した合金に含まれる10種類の元素のモル組成を入力特徴量として直接使用し、2つの目標特性（高温降伏強度と室温破壊ひずみ）をMLモデルの出力としました。 本研究では、一般的に用いられる9つの回帰モデルを検討し、その性能を二乗平均平方根誤差（RMSE）、平均絶対誤差（MAE）、およびピアソン相関係数r²を用いて評価した。その結果に基づき、svr.rモデルが、その後の遺伝学的探索における高温降伏強度および室温破壊ひずみを評価するための最終モデルとして選択された。 遺伝子探索：候補合金組成の探索 遺伝的探索は、高エントロピー合金（HEA）およびニッケル基超合金の組成設計にこれまで用いられてきました。ここでは、ML予測に基づいて算出されたEI値を、ヒューリスティック探索のためのNSGA-IIアルゴリズムへの入力として用います。選択、交叉、突然変異を経て、各遺伝的反復の終了時にパレート解面（PF）と優勢解面が生成されます。 具体的には、集団の初期化後、研究者らはブートストラッピングを用いてトレーニングデータに基づく追加データセットを構築しました。ブートストラッピングサンプルを用いてモデルをトレーニングした後、平均性能とそれに伴う不確実性を取得し、各合金のEI値を計算しました。数世代の選択、交差、突然変異を繰り返した後、EI結果のパレート図（PF）が得られました。最終的に、100世代とランダムに選択された100個の初期集団の結果を集約し、収束する最適なPFを得ました。 実験的フィードバック: 合金の選択とクラスター分析による実験的検証を含みます。 未知化合物の合成を導くため、研究者らはPFに対してクラスター分析を行い、図(c)に示すように、k-means法を用いてクラスター中心から合金候補を選定しました。このステップにより、測定結果をトレーニングデータセットに組み込むことで、MLモデルの反復的な改善が可能になりました。 クラスタリングベースのセレクターを使用して、パワー フィールド (PF) 上の潜在的な合金を取得します。 研究結果: ZrNbMoHfTa 合金系は高温用途に可能性があることが判明しました。研究者らは、上記の方法を用いて、下図に示すように、24種類の予測合金組成を合成し、特性評価を行いました。その結果、これらの合金のうち4種類が、高温降伏強度（714～1061 MPa）と室温破壊ひずみ（17.2%～50.0%）の優れた組み合わせを達成することが分かりました。研究者らは、トレーニングデータセット（Tデータ、P1～P7）の合金特性と、MOOによって最適化された結果（E24、E19、E17、E21）を以下のように比較しました。 新しい PF の RHEA とその特性 (E24、E19、E17、E21) と T データ PF の合金 (P1 ～ P7) の比較。 まず、MOO最適化後のRHEAの性能向上を見てみましょう。MOO戦略の結果を示すために、研究者は、上の表に示すように、元のパレートフロント（PF）と新しいPFにおける合金の2つの目標特性を比較しました。最適化後、両方の目標特性が大幅に向上しました。 具体的には、高延性（> 50%）の合金を考慮すると、合金E24の高温降伏強度（HT）はP1のほぼ2.5倍です（つまり、一般的なTaNbHfZrTi合金の高温降伏強度はわずか295 MPaです）。同様に、1000°Cで高降伏強度（> 1000 MPa）の合金を考慮すると、E21の破壊ひずみはP6のほぼ3倍です。合金P2、P3、P4、およびP5も、いくつかの最適化された材料によって支配されています。P2と比較して、E24の降伏強度は41.7%増加し、破壊ひずみも54.3%以上増加しました。合金E19とE17も、高温強度と室温延性が向上しました。 要約すると、新しく設計された RHEA のほとんどは、一般的な NbMoTaW 合金 (高温降伏強度 548 MPa、破壊ひずみ 2.6%) や NbMoTaWV 合金 (高温降伏強度 842 MPa、破壊ひずみ 1.7%) と比較して、高温降伏強度と室温延性の両方で大幅な改善を示しています。 次に、最適化された合金の構造と軟化抵抗を検証しました。研究者らは、1000℃での圧縮変形前後の最適化されたRHEAの相をさらに調査し、潜在的な高温工学用途における構造安定性を調査しました。図(a)および(b)に示すXRD結果によると、鋳造合金E24、E19、およびE17は不規則な体心立方（BCC）固溶体で構成され、合金E21は少量のラーベス相を含むBCC構造を示しています。XRDパターンは、最適化されたRHEAの相構造が高温変形前後で本質的に一貫していることを示しており、最適化されたRHEAの優れた構造安定性を実証しています。 新しいPF合金設計の構造安定性と軟化抵抗 研究者らはまた、合金E21の高温変形下における降伏応力を文献データと比較し、軟化抵抗の大幅な向上を示しました。これらの複数の特性の改善は、これらのRHEAが従来の高温合金に取って代わる可能性を示唆しています。 要約すると、研究者らは有望な合金系ZrNbMoHfTa、特に組成Zr0.13Nb0.27Mo0.26Hf0.13Ta0.21を特定しました。この合金は、1200℃で940MPaに近い降伏強度と、17.2%の破壊ひずみという良好な室温延性を示します。この組成の1200℃における高い降伏強度は、これまでに報告されているRHEAを上回り、1200℃はニッケル基超合金の使用温度限界を超えています。この合金の耐熱性と優れた構造安定性は、極限温度での構造用途に大きな可能性を示唆しています。 人工知能は材料科学において非常に大きな応用価値を示しています。材料科学は、現代産業発展の柱となる分野の一つと言えるでしょう。目標とする特性を持つ新材料を、できるだけ少ない実験回数で発見することが、材料発見を加速させる鍵となります。しかし、材料の組成、構造、そして加工の複雑さゆえに、候補となる材料の数が膨大になり、新材料の効率的な設計が困難になっています。かつて科学者たちは、既存の結晶を調整したり、新しい元素の組み合わせを試したりすることで、新たな結晶構造を模索していました。これは、費用と時間を要する試行錯誤のプロセスであり、限られた結果を得るまでに数ヶ月かかることも珍しくありませんでした。今、AIがこれに革命を起こしています。 2023年11月下旬、Google傘下のDeepMindはNature誌に画期的な論文を発表し、材料科学向けの人工知能強化学習モデル「Graph Networks for Materials Exploration（GNoME）」の開発を発表しました。このモデルとハイスループット第一原理計算を用いることで、38万種類以上の熱力学的に安定した結晶材料を特定しました。これは「人類に800年分の知的蓄積を加える」ことに相当し、新材料の発見を飛躍的に加速させます。同年12月には、Microsoftが材料科学向けのAI生成モデル「MatterGen」をリリースしました。このモデルは、必要な材料特性に基づいてオンデマンドで新しい材料構造を予測できます。 GNoMEの詳細については、「人類より800年先を行く？DeepMindがGNoMEをリリース、ディープラーニングで220万個の新しい結晶を予測」をご覧ください。 2024年6月、山本明康氏をはじめとする英国と日本の研究者らは、機械学習技術を用いて研究者主導とデータ主導の手法を組み合わせた研究システムを設計し、世界最強の鉄系超伝導磁石の製造に成功しました。この最新の研究は、次世代の磁気共鳴画像（MRI）技術や将来の電動輸送技術の開発を促進することが期待されています。関連論文「データ主導および研究者主導のプロセス設計による鉄系超伝導体を用いた超強力永久磁石」は、Nature誌のサブジャーナルNPG Asia Materialsに掲載されました。 まとめると、機械学習やディープラーニングといった手法を組み合わせることで、科学者は材料特性をより正確に予測し、分子構造と特性をシミュレーションし、材料設計と合成を最適化し、微細構造とマクロ特性の関係を探求することが可能になります。これらの応用は、材料科学研究のレベル向上に貢献するだけでなく、材料設計や製造といった分野に革新的な機会をもたらすでしょう。 参考文献: |
1200℃の高温性能限界を突破！北京科技大学は機械学習を活用し、優れた室温延性を持つ24種類の耐火性高エントロピー合金を合成しました。
関連するおすすめ記事
-
RAG フルスタック テクノロジーの最新概要!
-
来週の土曜日、上海でお会いしましょう！AIコンパイラーテクノロジーサロンには、AIコンパイラー、ByteDance、Lingchuan Technologyなどの企業から業界リーダーが集まります。
-
Llama 3.1は売れない！業界関係者曰く、オープンソースモデルの方が実は高価らしい。
-
テレンス・タオは AI を使って方程式理論を証明し、19 日間で 99.99% の進捗を達成しました。論文はまもなくオンラインで公開されます。
-
まさにマスクっぽい！テスラのロボタクシーは配車サービスに革命を起こすのではなく、公共交通機関に革命を起こすだろう。
-
15万台！NIOのModel Yが発売：900Vスーパーチャージで3分でバッテリー交換、ビジョンベースのインテリジェント運転ソリューションも初登場、すでに注文が急増中。