Інженери використовують AI, щоб передбачити, як нові, невідомі матеріали будуть виконуватися

Інженерія матеріалів має вирішальне значення для сучасного світу так, як ми майже ніколи не перестанемо думати. Розуміння того, як тверді структури ведуть себе на нанорозмірному рівні, є критичним для сучасних досягнень у багатьох галузях, включаючи напівпровідники.

Дослідники, що працюють в MIT і в Росії і Сінгапурі, використовують AI для прогнозування того, як напруга вплине на продуктивність матеріалу і дослідить, які типи деформацій будуть створювати які наслідки. Деякі з вас можуть бути знайомі з терміном "напружений кремній", який відноситься до процесу розтягування шару кремнію над підкладкою з кремнію-германію. Напружений кремній, який був впроваджений у сучасний виробництво мікропроцесорів під час ери P4, покращує загальну продуктивність процесора в порівнянні з ненапруженим кремнієм. Але, як відзначає автор MIT, знайти точний ступінь і тип напруги для використання надзвичайно важко.

Штам може бути застосований будь-яким з шести різних способів (у трьох різних вимірах, кожен з яких може виробляти деформацію в бік або вбік), і з майже нескінченними градаціями ступеня, тому весь спектр можливостей недоцільно досліджувати. просто методом проб і помилок. "Це швидко зростає до 100 мільйонів обчислень, якщо ми хочемо зібрати весь простір упругої деформації", говорить Лі.

Сторінка Вікіпедії для напруженого кремнію побічно натякає на складність цих змін. Вона зазначає, що в той час як початкова напружена робота з кремнію набула форму, яку я вже описав, більш пізні поліпшення техніки включають додаткові складні етапи обробки. Пошук точних інструментів для подальшого поліпшення загальної продуктивності цих матеріалів, безумовно, є повільним, важким процесом. Це також є частиною того, чому час розробки для нових функцій і можливостей у виробництві напівпровідників (або, скажімо, поліпшення ємності акумулятора) має тенденцію бути такою ж довгою і повільною. Багато поліпшень, які ми обговорюємо, коли ми говоримо про батареї або поліпшену технологію напівпровідників, є принципово поліпшеними матеріалами.

За даними дослідницької групи, їх нейромережева модель для прогнозування деформації була високоточна. Команда орієнтувалася на алмаз, який має ряд позитивних рис, які б зробили його відмінним напівпровідником, якщо деякі з його негативів можна було б поліпшити. Є також потенціал для введення більшої кількості штаму в продуктах, які вже використовують цей підхід, потенційно перетворюючи основний матеріал у процес.

Хоча це дослідження зосереджувалося конкретно на впливі навантаження на заборонену зону матеріалів, "метод є узагальнюючим" на інші аспекти, які впливають не тільки на електронні властивості, але й на інші властивості, такі як фотонна і магнітна поведінка, говорить Лі. З 1-відсоткового штаму, який зараз використовується в комерційних чіпах, багато нових додатків відкриваються зараз, коли ця команда показала, що штами майже 10 відсотків можливі без тріщин. "Коли ви отримуєте більше 7 відсотків напруги, ви дійсно багато що змінюєте в матеріалі", говорить він.

«Цей новий метод потенційно може призвести до створення безпрецедентних властивостей матеріалу», - каже Лі. "Але потрібно ще багато працювати, щоб з'ясувати, як накласти навантаження і як розширити процес, щоб зробити це на 100 мільйонів транзисторів на мікросхемі [і забезпечити, щоб] жоден з них не вийшов з ладу".

Найцікавіше в таких підходах, чи можуть вони розширюватися до того, щоб стати принципово новими підходами до способу дослідження матеріалів. Теоретично, дослідницький двигун, який працює на основі AI, може розірвати матеріальні перестановки, які потребуватимуть для перевірки цілих тижнів або місяців дослідницької групи. Але забезпечення того, щоб наші моделі могли належним чином передбачити, як матеріали будуть деформуватися під різними умовами, є складним завданням - дані, що "тренують" ШІ, здаються надзвичайно великими, у кращому випадку.

Тим не менш, навіть модель, яка могла б знизити список ідей для розслідування від сотень мільйонів до тисяч, була б великим проривом. Може настати момент, коли використання ресурсів штучного інтелекту, як це, не просто очікується, а стає функціональною вимогою постійного наукового просування.

Читати далі

Новий AI допомагає передбачити, коли HDDS NAS збираються укусити пил

NAS виробник QNAP придумав розумний спосіб прогнозувати невдачу HDD: тренувати AI для цього.

"Старінні годинники" можуть бути в змозі передбачити своє життя

Якщо хтось міг сказати вам, наскільки довше ви очікуєте жити, ви хочете дізнатися?