AI och den metall som nästan omöjliggjorde rymdforskning

Tänk dig en gigantisk lek

Föreställ dig att du har ett bibliotek med över 100 miljoner böcker. Du behöver hitta exakt sex böcker som innehåller hemligheten bakom hur man 3D-printar supertålig metall för raketer. Haken? Du kan inte bläddra snabbt. Varje "bok" kostar hundratals dollar, tar dagar att läsa, och vissa fatar faktiskt eld innan du hinner klart.

Låt kul? Nej, det trodde jag inte heller.

Men det är i princip utmaningen som forskare vid Washington State University precis har löst — för de hade AI med i teamet. Och ärligt talat är deras historia mycket mer spännande än något pusselspel jag kan komma på.

Metallen som är en riktig drönare

Låt mig presentera GRCop-42. Det låter som en robot från en sci-fi-film, eller hur? Det är faktiskt en metalllegering gjord av koppar, krom och niob — och NASA skapade den i grunden för att vanliga metaller helt enkelt inte tålde värmen. (Ordspråk avsiktligt.)

Grejen är att det här materialet används i raketmotorer, specifikt förbränningskammaren där bränsle brinner vid temperaturer som får din ugn att blekna. GRCop-42 klarar extrem värme OCH flyttar bort den effektivt, vilket hindrar raketer från att smälta sig själva. Ganska viktig uppgift.

Men här är problemet: att printa den här metallen med 3D-skrivare är svårt. Verkligen svårt. Det kräver normalt kraftfulla lasrar och massor av energi — utrustning som bara stora flyg- och rymdföretag och större forskningslabb har råd med.

Nittio procent av vanliga 3D-skrivare på marknaden? Klarar det inte. De är helt enkelt inte kraftfulla nog.

Fram tills nu.

"Testa allt" var helt enkelt inget alternativ

Innan vi kommer till AI-magin, låt oss prata om varför det här var så frustrerande från början.

För att 3D-printa metall behöver du hitta de perfekta inställningarna — laserstyrka, hastighet, temperatur och massor av andra faktorer. Få en enda sak fel och antingen händer ingenting, eller (mer dramatiskt) smälter hela utskriften ner till en pöl.

Det traditionella tillvägagångssättet? Helt enkelt... testa en massa kombinationer tills något fungerar.

Det låter vettigt tills du inser att det fanns över 100 miljoner möjliga kombinationer att testa. Varje försök kostar hundratals dollar, tar tid att genomföra, och kräver att någon noggrant analyserar resultaten. Om du testade en kombination varje dag skulle du behöva 274 000 år. Inte idealiskt.

"Någon gång printade de en viss konfiguration, och produkten smälte bara," berättar Azza Fadhel, doktorand som jobbade med projektet. "Den var verkligen inte printbar, och även med tid och pengar skulle de aldrig kunna testa alla 100 miljoner alternativ."

Aj. Det är som att försöka hitta ett specifikt sandkorn på en strand genom att plocka upp dem ett efter ett.

In kommer AI: Den smarta sökaren

Här blev forskarna kreativa. Istället för att slumpmässigt famla i mörkret byggde de ett AI-system som kunde lära sig av varje experiment — till och med de misslyckade.

Tänk dig det så här: du försöker hitta det perfekta receptet, men istället för att följa varje steg blint, låter du AI:en observera vad som händer när du justerar varje ingredens. Den börjar lära sig vilka kombinationer som gör saker bättre och vilka som gör dem värre.

Teamet började med bara 37 konfigurationer som redan hade misslyckats. Inte direkt en rikedomskälla av data, men tillräckligt för att AI:n skulle kunna börja göra utbildade gissningar.

Därifrån föreslog AI:n små grupper av nya inställningar att testa. Här är den smarta biten: den balanserade två saker. Ibland valde den inställningar som såg mest sannolika ut att fungera baserat på vad den lärt sig. Andra gånger valde den medvetet inställningar den var osäker på — för de där "wild guess"-experimenten kunde lära den något nytt och göra hela modellen smartare.

"De gav mig tillbaka resultaten, och jag gillade alla dem — även om de misslyckades — för varje resultat förbättrade vår AI-modell," sa Fadhel.

Det är en vacker inställning till misslyckanden, ärligt talat.

Finalen: Sex vinnare

Efter bara 40 experiment över tre månader hittade AI:n sex framgångsrika konfigurationer på olika laserstyrkenivåer. En av dem var att printa GRCop-42 med bara 500 watt laserstyrka — en först för den här legeringen.

Sex framgångar av 40 försök låter kanske inte revolutionerande. Men kom ihåg: vi letade bland 100 miljoner möjligheter där framgångsrika konfigurationer är extremt sällsynta. Det är som att hitta sex nålar i en höstack stor som ett litet land, och göra det medan man knappt rör vid höet.

Och här är den riktigt spännande delen: dessa framgångsrika konfigurationer fanns vid lägre effektnivåer. Det betyder att de är kompatibla med de vanliga 3D-skrivare som inte klarade legeringen förut. De 90 procenten som inte kunde printa den? Nu kanske de kan.

Varför det här spelar roll långt bortom raketer

Jag är en rymdentusiast, så att printa raketdelar är redan ganska häftigt för mig. Men forskarna stannar inte där.

Den här AI-metoden kan hjälpa till med alla möjliga andra komplexa problem där det finns miljontals möjligheter att testa — som läkemedelsutveckling, där forskare letar efter rätt molekylära kombinationer för att behandla sjukdomar.

Samma logik gäller: istället för att brutkrafta sig igenom varje alternativ, använd AI för att söka smartare. Det handlar inte om att ersätta mänsklig kreativitet; det handlar om att ge forskare en mycket bättre kompass när de utforskar stora, förvirrande landskap.

"Nittio procent av vanliga skrivare kan inte printa den här metalllegeringen, så givet att vi kunde hitta dessa genomförbara processparametrar, demokratiserar vi i princip printningen av legeringen," sa Jana Doppa, som ledde forskningen.

Det ordet "demokratisera" gör mycket arbete här. När bara enorma organisationer med miljonutrustning kan tillverka något, saktar innovationen ner. När mindre labb, universitet och nystartade företag kan få tillgång till samma material? Plötsligt har du betydligt fler hjärnor som jobbar med problemet.

Min reflektion

Jag älskar den här historien för den visar AI på sitt bästa: inte som en magisk ersättning för mänsklig ansträngning, utan som ett kraftfullt verktyg som gör mänsklig ansträngning verkligen räknas.

Forskarna slap inte bara "låt AI göra det." De kombinerade sin domänkunskap med AI:s förmåga att effektivt söka genom enorma utrymmen. De förstod att även misslyckade experiment var värdefulla. De visste vilka frågor som behövde ställas.

Det är framtiden för AI i vetenskapen, tror jag — inte robotar som tar över labben, utan smarta partnerskap där maskiner hanterar de kombinatoriska mardrömarna medan människor fokuserar på det kreativa, tolkande arbetet som verkligen kräver en hjärna.

Nu vill jag bara veta: vilket är nästa problem med 100 miljoner alternativ som väntar på att lösas?

Källa: ScienceDaily