美國科學家正在研究形狀記憶合金，並利用人工智能（AI）提升戰鬥機的效率和性能。這項技術有望使戰鬥機的機翼能夠通過電加熱和冷卻進行折疊，從而實現更高效的運動，特別是對於需要在擁擠的航空母艦上運輸的戰鬥機（如美國 F/A-18）。
目前，戰鬥機所使用的系統由重型機械部件組成，而高溫形狀記憶合金（HTSMAs）的應用可能會改變這一現狀。HTSMAs 將使戰鬥機以更輕的重量和更高的效率運行，從而加快出動速度並優化能源使用。
形狀記憶合金的高成本一直是其發展的主要障礙。德克薩斯 A&M 大學材料科學與工程系的科學家們提出，結合 AI 和高通量實驗可以加速材料的發現並降低開發成本。這意味著可以更快地完成材料的開發，從而以可承受的成本獲得更高效的材料。
設計新材料需要測試數千種金屬混合物來找到合適的組合，因為即使是微小的改變也可能完全改變材料的性質。因此，尋找合金的正確組合往往是一個試錯的過程。
該團隊由德克薩斯 A&M 大學材料科學與工程系主任、Chevron 教授 Dr. Ibrahim Karaman 和 Chevron 教授 II Dr. Raymundo Arroyave 領導，已經開發出一種數據驅動的材料發現方法。Karaman 表示：「這項工作顯示我們可以通過數據和物理驅動的智能、針對性探索來設計更好的高溫合金，而不是依賴於昂貴的試錯過程。」Arroyave 補充道：「這個項目令人興奮，因為它展示了我們在過去幾年中開發的先進合金開發框架的潛力。」
在合金設計方面，團隊引入了強大的計算機和 AI，以預測不同金屬混合物的相互作用，從而減少在實驗室中需要測試的選項數量。他們通過一種稱為批量貝葉斯優化（Batch Bayesian Optimization，BBO）的框架整合了機器學習和實驗工作。BBO 使團隊能夠根據過去的實驗結果來細化合金預測，從而減少浪費並最大化發現效率。
Karaman 表示：「這一框架不僅加快了發現速度，還為針對特定功能定製合金打開了大門，例如減少能量損失或改善多種應用中的驅動性能。」
他們的目標是設計能夠對熱或電作出反應的材料，類似於機器的肌肉。這些特殊材料——執行器——在航空航天、機器人和醫療設備中使用。一旦目標實現，將有助於提高美國戰鬥機的靈活性和性能。
研究結果已發表在《Acta Materialia》期刊上。研究中採用了一種首創的機器學習（ML）和批量貝葉斯優化（BBO）方法，通過迭代方式在四元 NiTiCuHf 高溫形狀記憶合金（HTSMA）組成空間中最小化熱滯後現象。第一次迭代利用了現有的低複雜度合金（雙元和三元）的 SMA 數據庫，試圖優化四元 NiCuTiHf 的化學成分和熱處理。合金的合成和表徵顯示，初始的 ML 模型在預測值和實驗值之間顯示出較高的誤差，表明在複雜的四元合金設計空間中需要高保真數據以進行優化。第二次迭代利用此結論通過調整高斯過程（GP）超參數探索擴展的設計空間。主動學習的應用使得在迭代過程中擴大了高複雜度空間中的數據，提高了模型的準確性。第三次迭代發現了 NiTiCuHf HTSMAs，具有迄今為止最低的馬氏相變化熱滯後，轉變溫度在 250 °C 至 350 °C 之間，且不含貴金屬。優化的二次熱處理對馬氏相變化特性的影響也得到了探索，並與初始均化熱處理後的結果進行了比較，以展示 BBO 框架創造具有受控化學成分和熱處理的最佳合金的能力。在所設計合金的 Ni 富組成中，BBO 框架建議的二次熱處理顯著提高了轉變溫度，表明形成了 Ni 富析出物。
日本電話卡推介 / 台灣電話卡推介
一㩒即做：香港網速測試 SpeedTest HK
