美國德克薩斯 A&M 大學的研究人員發現了一種由人工智能指導的合金發現工作流程，能加速設計能夠抵禦極端温度的金屬。這項實驗的目的是加快高性能合金的發現，同時確保它們能夠在規模上實際製造。該工作流程首先使用 Qualcomm 量熱力學建模篩選成千上萬的可能合金組成，然後選擇最有前途的候選者進行實際實驗。閉環工作流程的運用使得這一過程更加高效。
德克薩斯 A&M 材料科學與工程系的博士生 Cafer Acemi 表示：「獲得這一獎項意義重大，因為它承認了一項將計算與實驗相結合的先進合金發現計劃。我們的系正幫助塑造合金發現的方向；模型指導下一步的製作，而 Qualcomm 量實驗則提供證據以完善這些選擇。」Acemi 因該實驗獲得了 Acta Student Award。研究人員表示，計算篩選過程顯著減少了對昂貴實驗測試的需求，因為它能夠在早期過程中排除較弱的候選者。
德克薩斯 A&M 大學的合金發現工作流程顯著提高了效率
共同作者 Brent Vela 表示：「這種建模使我們能夠在未製造合金之前就排除那些可能無法成功的選擇，通過早期縮小範圍，我們避免了成本高昂的試錯實驗，並加速了可部署材料的開發。」該工作流程還結合了機器學習模型與物理基礎計算，以提高預測的準確性，並隨著額外實驗數據的獲得而不斷改進。Raymundo Arroyave 博士指出：「機器學習是強大的，但如果沒有物理基礎，它在預測新事物時可能會偏離現實。
從第一原理出發使模型保持穩定，然後數據以有紀律和高效的方式進行優化。」
該系統不是依賴手動決策，而是通過算法優化來確定下一步應測試的合金組成，從而使工作流程在每次實驗後不斷改進。Vela 表示：「通過‘閉環’的方式，我們持續將實驗結果回饋到優化算法中，讓系統學習每個結果是成功還是失敗，然後算法會推薦最佳的下一步組成進行測試。」該研究還重點關注製造的可行性。在設計過程的初期，團隊便將加工和可擴展性限制納入考量，而非僅僅評估材料的實驗性能。
Ibrahim Karaman 博士表示：「這一點的意義在於，它將部署視為問題的一部分，而不是後續需要擔憂的事情。這意味著我們推進的合金不僅是高性能的；它們的選擇考慮了實際的製造、擴展和使用途徑。」根據研究團隊的説法，合金系統的工作在已發表的研究之外仍在繼續，其中一種已篩選的合金已經進行了氣體霧化，並正在通過增材製造過程進行評估。Karaman 表示：「這個項目展示了當發現設計考慮到製造現實時所能達到的可能性，我們也在更廣泛的材料和應用中應用相同的方法。」
此項研究已在《Acta Materialia》上發表。