Neues Verfahren kombiniert ML und Optimierung zur effizienten SMA-Entwicklung

Die Entwicklung von Formgedächtnislegierungen (SMAs) muss gleichzeitig die gewünschte Martensit-Starttemperatur (Ms) erreichen und die Kosten niedrig halten. In einer aktuellen Studie wurde ein Ansatz vorgestellt, der maschinelles Lernen mit numerischer Optimierung verbindet, um diese Ziele zu erfüllen.

Für die Vorhersage von Ms wurden zwei unterschiedliche ML‑Modelle trainiert: ein baumbasiertes Ensemble und ein neuronales Netz. Beide Modelle wurden mit experimentell erfassten Legierungen und physikinformierten Merkmalen gefüttert. Das Ensemble wurde mit dem ableitungsfreien Optimierer COBYLA kombiniert, während das neuronale Netz, das Gradienten liefert, mit dem Gradienten‑basierten Optimierer TRUST‑CONSTR gekoppelt wurde.

Die Ergebnisse zeigen, dass beide Modelle Ms mit vergleichbarer Genauigkeit vorhersagen, jedoch der Optimierer, der das neuronale Netz nutzt, konsequenter bessere Lösungen findet. COBYLA tendierte häufig zu suboptimalen Ergebnissen, besonders wenn der Startwert weit vom Ziel entfernt war. TRUST‑CONSTR zeigte eine stabilere Konvergenz und erreichte häufiger Legierungszusammensetzungen, die beide Zielsetzungen erfüllen.

Die Studie demonstriert, wie physikinformierte Daten, ML‑Vorhersagen und Optimierungsalgorithmen zusammenwirken können, um neue SMA‑Kompositionen zu entdecken. Obwohl die Datensatzgröße kleiner ist als bei reinen Simulationsansätzen, erhöht die Nutzung experimenteller Daten die Zuverlässigkeit der Vorhersagen. Der Ansatz lässt sich leicht auf andere Materialsysteme übertragen, was ihn zu einem vielversprechenden Werkzeug für die nachhaltige Materialentwicklung macht.