Das von einem Team des Max-Planck-Instituts für Eisenforschung entwickelte Modell deckt neue, aber realistische korrosionsbeständige Legierungszusammensetzungen auf.Seine besondere Stärke ergibt sich aus der Verschmelzung von numerischen und textuellen Daten.Ursprünglich für den kritischen Bereich der Lochfraßkorrosion in hochfesten Legierungen entwickelt, lässt sich die Vielseitigkeit dieses Modells auf alle Legierungseigenschaften ausweiten.
„Jede Legierung hat einzigartige Eigenschaften hinsichtlich ihrer Korrosionsbeständigkeit.Diese Eigenschaften hängen nicht nur von der Legierungszusammensetzung selbst ab, sondern auch vom Herstellungsprozess der Legierung.Aktuelle maschinelle Lernmodelle können nur von numerischen Daten profitieren. Verarbeitungsmethoden und experimentelle Prüfprotokolle, die meist durch textuelle Deskriptoren dokumentiert sind, sind jedoch entscheidend, um Korrosion zu erklären“, erklärt Kasturi Narasimha Sasidhar, Hauptautor der Veröffentlichung und ehemaliger Postdoktorand am Max-Planck-Institut für Eisenforschung.
Das Forscherteam verwendete Sprachverarbeitungsmethoden, ähnlich wie ChatGPT, in Kombination mit Techniken des maschinellen Lernens (ML) für numerische Daten und entwickelte ein vollautomatisches System zur Verarbeitung natürlicher Sprache. Die Einbeziehung von Textdaten in das ML-Framework ermöglicht zudem die Identifizierung verbesserter Legierungszusammensetzungen, die gegen Lochfraß resistent sind. „Wir haben das Deep-Learning-Modell mit intrinsischen Daten trainiert, die Informationen über Korrosionseigenschaften und Zusammensetzung enthalten. Jetzt ist das Modell in der Lage, Legierungszusammensetzungen zu identifizieren, die für die Korrosionsbeständigkeit entscheidend sind, auch wenn die einzelnen Elemente ursprünglich nicht in das Modell eingegeben wurden“, sagt Michael Rohwerder, Mitautor der Veröffentlichung und Leiter der Gruppe Korrosion am Max-Planck-Institut für Eisenforschung.
Grenzen überschreiten: automatisiertes Data Mining und Bildverarbeitung
In dem kürzlich entwickelten Rahmenwerk haben Sasidhar und sein Team manuell gesammelte Daten als textuelle Deskriptoren genutzt.Derzeit besteht ihr Ziel darin, den Prozess der Datengewinnung zu automatisieren und nahtlos in das bestehende System zu integrieren.Die Einbeziehung von Mikroskopiebildern ist ein weiterer Meilenstein, der die nächste Generation von KI-Systemen ankündigt, die textuelle, numerische und bildbasierte Daten zusammenführen.
