Düşük çözünürlükte aerogels sıralaması, araştırmacıların asla sentezlenmediği en hafif malzemeler arasında sıralanmıştır, ancak pratik kullanımlar, yeni kompozisyonları keşfetmenin yavaş, pahalı süreci ile sınırlıydı. Yapay zekadaki son gelişmeler (AI) bu manzarayı yeniden şekillendiriyor, araştırmacıların daha önce tahmin etmelerine ve aerogel özelliklerini optimize etmelerine olanak sağlıyor. Bu veri odaklı algoritmaların yakınlaştırılması ve bilim sadece araştırma döngülerini hızlandırmaz, ancak temel olarak yeni kompozisyonları yeniden tanımlamak için yeni bir şekilde yeniden ortaya çıkıyor.

Low-Density Aerogels'leri Anlamak

Aerogels, sıvı bileşeninin gazla değiştirilmesinden kaynaklanan jellerden elde edilen göz ardı edilir, malzemenin hacminin sadece küçük bir kısmını kaplayan sağlam bir ağ bırakır. Sonuç, genellikle% 95'den fazla hava hacmine sahip olan bir maddedir, 0,01 g/cm3'ün üzerindeki düşüklüğünden daha ağırdır. Aşırı ışıklarına rağmen, aerogelslar olağanüstü özellikleri sergileyebilir: en iyi termal insülatörler arasındadır.

En yaygın türleri, taşıyıcı ve batarya elektrotları içerir; ve polimer bazlı bir direnç sunar. Her tür öncül kimyası tarafından tanımlanır, kurutma yöntemi (en yaygın olarak kullanılan yüksek dereceden tedavi edilir), ve post-işlem tedavileridir. Uygulamaların yarı havacılıklu termal koruma sistemleri, petrol bazlı yalıtım, katalizörler ve hatta teslimatlar.

Ancak, aerogel tasarlamak için parametre alanı çok geniştir. öncü konsantrasyon, katalizör tipi, jelasyon pH, yaşlanma zamanı, kurutma koşulları ve yüzey işlevselizasyonu tüm son yoğunluk, pore yapısı ve mekanik sağlamlığı etkiler. Geleneksel keşif yöntemleri her bir topluun gündemlere hazırlık ve kurutmaya ihtiyacı olduğu gibi, her bir yığınlamanın tarihsel olarak sınırlı olması gerekir.

Geleneksel Keşif Şişeneck

AI entegrasyonundan önce, tipik aerogel keşif akışı, öncülerin ve proses parametrelerinin belirli bir kombinasyonunun daha düşük yoğunluk veya gelişmiş bir yalıtım elde edebileceği konusunda bir hipotezle başladı. Araştırmacılar daha sonra küçük bir örnek seti sentezlediler, tarama elektron mikrocopy (SEM), gaz adsorpsiyonu ve termal iletkenlik ölçümleri gibi teknikleri kullanarak ve sonuçları bir sonraki hipotezlerini düzeltmeleri için kullanabilir.

Maliyet başka bir kısıtlamadır. Superkkktik kurutma pahalı ekipman gerektirir ve önemli enerji ve CO2 tüketmektedir. Birçok umut verici aday asla test edilmemiştir çünkü kaynaklar - hem finansal hem de insan - mümkün olan formülasyon alanının küçük bir kısmını araştırmak için çok sınırlı. Bilim adamları potansiyel aerogel kompozisyonlarının sayısının astronomik olarak büyük olduğunu tahmin ettiler, ancak birkaç bin kişi bu asimmetriyi deneyerek yapay olarak nitelendirdi.

Ayrıca, geleneksel yöntemler genellikle karmaşık, nonlinear ilişkileri sentez parametreleri ve son özellikler arasında yakalamaya başarısız olur. Örneğin, yaşlanma sıcaklığındaki küçük bir değişiklik, bir öncü sistemde yoğunlukta negable bir etkiye sahip olabilir, ancak bu etkileşimleri doğrudan verilerin öğrenebileceği dramatik bir etki net bir avantaj sunar.

A Catalyst olarak

Yapay zeka, özellikle makine öğrenimi (ML) ve derin öğrenme, yüksek boyutlu aerogellerin uzayını gezmek için güçlü bir araç olarak ortaya çıktı. Deney çalışmalarının yerine, AI, malzeme özelliklerini hızlı tahminler sağlayarak tüm döngüyü hızlandırıyor, optimal sentez koşullarını önererek ve hatta tamamen yeni moleküler mimarileri ortaya çıkardı.

Emlak Önlemleri için Makine Öğrenmesi

Aerogel araştırmasındaki AI'nın en doğrudan uygulaması, rastgele ormanlar, destek vektör makineleri ve daha yakın zamanda, grafik sinir ağları gibi, dinamik ölçümler, termal iletkenlik veya yüzey alanı gibi - öncü kimya ve sentez koşullarını tanımlayan bir dizi giriş özelliğinden. Çoklu çalışmalar, rastgele ormanlar, destek vektör makineleri ve daha yakın zamanda, grafik sinir ağları gibi modelleri tahmin edebilir, deneysel ölçümlerle karşılaştırılabilir bir şekilde, sağlanan veri kümeleri yeterince büyük ve çeşitli veri setleri üzerinde eğitilir.

Örneğin, Kaliforniya Üniversitesi'nde bir araştırma ekibi, yayımlanmış literatürden 1.500'den fazla silik aerogel örneği ile bir veri kümesini derledi, bu model, öncü tip, çözücü oranı, pH, yaşlanma zamanı ve kurutma yöntemi gibi özellikleri ile her örnekle bir araya getirdi. Daha sonra deneysel olarak doğrulanan bir yaklaşımla tahmin edilen en iyi adayın 0.02 g/cm3'ten azını tahmin etmesi için tahmin etti.

Generative Design and Inverse Engineering

Basit tahminin ötesine geç, jeneratif modeller, hedef özellikleri karşılamak için tamamen yeni bir aerogel formülasyonları önerebilir.In an inverse-design approach, araştırmacı istenen özellikleri belirtir -örneğin, 0.015 W /mK'nın altındaki yoğunluk - ve ısı iletkenliği - ve AI modeli, bu kriterin temel dağılımını öğrenmek için alan kombinasyonlar için alan aramaları uygun.

Bir VAE, karbon aerogel sentez parametrelerinin bir veritabanı üzerinde eğitilmiş bir uygulama kullandı. Model, sentez alanının düşük boyutlu latent gösterimini öğrendi.Bu tür bir hit oranı, rastgele veya sezgi tabanlı keşiflerden daha yüksek olan düzinelerce yeni parametre seti üretti.

Yüksek performanslı Sanal Ekran ve Moleküler Simülasyon

Makine öğrenimi ayrıca fizik tabanlı simülasyonların verimliliğini de artırıyor. Yoğunluk fonksiyonel teori (DFT) ve moleküler dinamikler (MD) simülasyonlar, atom seviyesindeki aerogel seçmenlerin teorik özelliklerini hesaplayabilirler, ancak hesaplamalı olarak pahalı. AI sprogate modelleri - binlerce DFT hesabının sonuçları üzerinde eğitilmiştir - bu hesaplamaları milisaniyelerde bulabilirler, tüm kimyasal kütüphanelerin sanal taramasını sağlayabilirler.

Örneğin, çapraz bağlantılı polimer aerogels'in mekanik özelliklerini inceleyen araştırmacılar, bir yapay sinir ağı için eğitim verileri üretmek için MD simülasyonları kullandılar. Ağ, yüksek sertlikle ilgili tahminlerin bir fonksiyonu olarak genç bağlantısını doğru bir şekilde doğruladı.

Özerk Deneyleme Platformları ile entegrasyon

AI-aksel keşifin nihai ifadesi, mevcut bilgi durumuna dayanan kapalı-loop sistemidir, Ulusal Standartlar ve Teknoloji Enstitüsü'nde bir ekip, bu sistemler, bir sıvı el yapımı robotu günde yüzlerce tepkiye bağımsız olarak gerçekleştirebilir, AI’nın bir sonraki deneyi, bir sonraki deneyi, önceki doğrulama algoritmasını seçmesine yol açtıktan sonra birkaç kez, uzun süre boyunca sürekli olarak test edilen bir sistemden bağımsız bir şekilde bir şekilde yararlanarak, birkaç kez daha düşük maliyetli bir şekilde bir şekilde analize yol açtı.

Vaka Çalışmaları ve Gerçek Dünya Etkisi

AI'nın aerogel gelişimine entegrasyonu teorik bir egzersiz değildir; zaten her iki akademik ve endüstriyel ortamlarda somut atılımlara yol açtı.

NASA'nın Uzay Keşfeti Için Sonraki Nesil Aerogels

NASA, gelecekteki gezegensel araziler ve habitatlar için daha hafif olan aerogellerin geliştirilmesini amaçlayan Stardust misyonunu da dahil olmak üzere, 2.000'den fazla deneysel kayıt üzerinde eğitilmiş bir makine öğrenimi modeli kullanarak, bu tür bir poliimide 0,05 g /cm3'ün yoğunluğunu gösteren bir roman kompozisyonunu tespit edebildiler.

Enerji Depolama için Karbon Aerogels

Enerji sektöründe, karbon aerogels, yüksek yüzey alanı ve elektrik iletkenliği nedeniyle süper kapasiteye sahip elektrot malzemeler için umut vericidir. Ancak, hızlı iyon taşıma için pore yapısını optimize etmek, MIT ve Toyota Araştırma Enstitüsü arasında bir işbirliği, iki mikroporatif optiğin elektrokimyasal performansını doğrudan doğru bir şekilde tespit edebilir.

Industrial Scale-Up with Machine Learning

Laboratuvar ötesinde, Aspen Aerogels gibi şirketler, AI'yı ürün geliştirme boru hatlarına dahil etmeye başlıyor. Binlerce topluca kaplama sırasında tarihsel üretim verilerini analiz ederek, ML modellerinin, düşük maliyetli bir şekilde kurutma işlemine olanak sağlıyor.Bu, müşteriye özel olarak tasarlanmış olan gereksinimlerin belirlenmesi için gerçek zamanlı olarak, ürün kalitesini artırmak için süreci mühendislerin ayarlanmasına olanak sağlar. Aspen, bir sinir tabanlı kontrol sistemi uygulama yoğunluğu ve ısıtılabilirliği %30 azaltılabilirliği tahmin edebilir ve kurutma süresini% 15 azaltılabilir.

Meydanlar ve Sınırlar

Açık başarılara rağmen, aerogel keşiflerinde AI kullanımı engeller olmadan değildir. Tahminlerin kalitesi tamamen eğitim verilerinin miktarı ve kalitesi üzerindedir. Birçok aerogel veri setleri sparse, tutarsız ve ölçüm protokollerinde kaydedilen formatlarda kaydedilir, saflık ve ekipman kalibrasyonu ML modellerini yanlışlayabilecek gürültüyü ortaya koyar.

Bir başka meydan okuma, AI modellerinin yorumlanabilirliğidir. Birçok yüksek performanslı algoritma, derin sinir ağları gibi, araştırmacıların neden belirli bir formülasyonun optimal olduğunu anlamaları zorlaşır. Bu şeffaflık eksikliği, özellikle de havacılık gibi güvenlik-kırıklama uygulamaları ile ilgilidir.

Ayrıca, AI tahminleri yalnızca eğitim setinde mevcut olan koşulların aralıkını kapsamakta. Tamamen yeni öncü kimyagerler veya işleme rotaları için Ekstrapolating - asla test edilmemiş monomer – gelişmekte olan ülkelerde AI odaklı taramayı birleştirmelidir.

Ayrıca kültürel bir bariyer de vardır: AI odaklı malzemeler Science Consortium gibi birçok malzeme bilim adamları, disiplin eğitimi teşvik etmek ve en iyi uygulamaları paylaşmak için çalışıyor.

Future Outlook ve Endüstri Etkisi

İleriye bakıldığında, aerogel keşifteki AI rolü, birçok yönden genişletilecek. Multi-faş modellemesi, pahalı, yüksek hacimli deneylerle ilgili simülasyonlar, kapsamlı eğitim verileri ihtiyacını azaltmak için vaat eder. Aktif öğrenme algoritmaları AI sistemlerinin en bilgilendirici deneylerde seçim yapmasına izin verir, sentez başına elde edilen bilgileri maksimize etmek özellikle değerlidir.

Başka heyecan verici sınır, AI'nın otomatik elektron mikroskobu ve spektroskopi ile entegrasyonudur.Bir makine öğrenimi modeli sentez sırasında gerçek zamanlı görüntüleme verileri analiz ederek, araştırmacılar istenen bir yapıya doğru yönlendirebilir - bazen "video oyunu" materyalleri geliştirme olarak adlandırılır. Örneğin, SEM görüntüleri üzerinde eğitilmiş bir AI, bir erogelişme sırasında çatlakları tespit edebilir ve bütünlüğü korumak için kurutmada bir değişiklik yaratabilir.

Endüstriyel tarafta, AI-design aerogels'in ticari pazarlara daha hızlı girmesini bekleyebiliriz. zaten, Glassomer ve Aerogel Teknolojileri gibi start-uplar, AI'nın elektrik araçlarında özelleştirilmesi, bina kabuğu ve çevre ajanslarının 2023 yılında, belirli bir mekanikle tanışacak şekilde bir bileşik yıllık büyüme oranına (CAGR) değer veren ve AI-optülasyonunu % 15'i keşfederler.

Sürdürülebilirlik kendisi fayda sağlar. aerogels için birçok sentez rotası, toksik öncüler veya yüksek enerji girdileri içerir. AI, su kullanan "yeşil" formülasyonları için, su kullanan bir termo-yaplı tasarım olarak merkezi olacaktır. - Son zamanlarda Bayesian optimizasyonu çevresel etki puanı en aza indirmek için kullanılır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Yapay zekanın düşük seviyeli bir aerogel keşfi, uygun malzemelerin aralıklarını genişleten bir gelecek senaryosu değildir - şu anda araştırma önceliklerini ve ticari stratejileri yeniden şekillendirir. hızlı bir mülk tahminine izin vererek, jeneratif tasarıma ve otonom deneye, AI, her iki haftaya kadar gerekli olan şeyleri daha da hızlandırır ve bu uzaysal zekanın ötesindeki sorunları daha genişleyebilir ve bu sinerjiyi kullanarak, bu uzaysal işbirliğini daha genişleyebilir.