一个研究小组开发了一种最佳人工智能模型来预测各种金属的屈服强度，有效地解决了传统的成本和时间限制。这项研究已发表在《ActaMaterialia》的在线版上。

屈服强度是材料(例如金属)在外部应力作用下开始变形的点。在材料工程中，准确预测屈服强度对于开发高性能材料和增强结构稳定性至关重要。然而，预测这一特性需要考虑许多变量，例如晶粒大小和材料中的杂质类型，并且通常需要长时间进行大量实验来收集数据。

为了解决这个问题，通常使用霍尔-佩奇方程来建立材料屈服强度与其晶粒尺寸之间的关系。然而，考虑到新材料的具体特性以及温度和应变率等各种环境条件，该方程在准确预测新材料的屈服强度方面存在局限性。

在这项研究中，由钢铁与生态材料技术研究生院和材料科学与工程系的HyoungSeopKim教授和材料科学与工程系博士生JeongAhLee领导的团队最近与巴西米纳斯吉拉斯联邦大学冶金与材料工程系的Figueiredo教授合作，将物理理论与人工智能(AI)技术相结合，以提高准确性，同时降低预测屈服强度所需的成本和时间。

他们开发了一种机器学习模型，该模型应用了“晶界滑动”机制，描述了材料内部的粒子如何相互移动，并开发了一种机器学习算法来预测屈服强度。

首先，研究团队采用黑盒模型分析各种材料特性对屈服强度的影响。然后，他们开发了一个具有明确输入和输出的白盒模型，以提高屈服强度预测的准确性。

该团队使用多种不属于屈服强度预测模型训练数据的铁基合金验证了他们的模型。结果表明，该模型非常准确，即使使用未经训练的数据进行预测，与实际屈服强度相比，平均绝对误差也为7.79MPa。

浦项科技大学的HyoungSeopKim教授表示：“我们开发了一种通用的人工智能模型，可以准确预测不同类型金属和各种实验条件下的屈服强度。”他补充道，“我们将继续积极利用人工智能技术，在材料工程研究方面取得重大进展。”