Mot en AI-understödd Plattform för Materialmodellering

Viktiga resultat som projektet gav

Detta projekt gjorde det möjligt för att förvärva den kunskap som behövs för att implementera moderna modeller för maskininlärning (ML) som möjliggör förutsägelser av materialegenskaper. Vi visade att ML levererar användbara förutsägelser i nya materialsystem baserat på företagets data. Därtill, med tillämpning av Bayesian inferens kunde vi kvantifiera osäkerheten i förutsägelser från vår programvara. Denna funktionalitet krävs för att fullständigt integrera ett termodynamiskt modelleringsprogram med moderna simuleringsverktyg för process- och komponentdesign.

Långsiktiga effekter som förväntas

Projektet implementerade flöden för maskininlärning (ML) av utvalda termodynamiska egenskaper för två materialklasser som regelmässigt modelleras med Thermo-Calc och lyckades med att erhålla prediktiva modeller för dessa egenskaper. För projektet är detta början på en resa med att applicera ML på ett flertal egenskaper och klasser av material av intresse för våra kunder. Dessutom kommer den programvara för kvantifiering av osäkerhet som vi utvecklat i projektet utgöra ett ramverk med vilket vi börjar inkludera de kvantifieringsfunktioner för osäkerhet som våra kunder önskar.

Upplägg och genomförande

Projektet implementerade flöden för ML i Python med hjälp av standardpaket (t.ex. scikit-learning, TensorFlow och PyMC3) samt byggde en MongoDB-databas för att hantera data. Vi skapade en prototyp av en Python-modul för kvantifiering av osäkerhet, baserat på Bayesian inferens med direkt koppling till TC-Python, projektets egna Python API, samt en effektiv Markov-Chain Monte Carlo-algoritm. För att sprida kunskap inom företaget höll vi en intern workshop med föreläsningar inom ML, som genomfördes av projektets externa expert, samt presentationer om projektets resultat.