aLLoyM: alaşım faz diyagramı tahmini için büyük dil modeli

Metallerin Haritalarını Okumayı AI’ya Öğretmek

Mühendisler yeni jet motoru, batarya veya nükleer reaktör metalleri tasarlarken, hangi element karışımlarının farklı sıcaklıklarda katı, sıvı veya ara bir durumda olacağını gösteren faz diyagramları adlı özel haritalara güvenirler. Bu haritaları laboratuvarda oluşturmak yavaş ve pahalıdır. Bu çalışma, faz diyagramlarını okumayı ve hatta çizmeyi öğrenen özel bir yapay zekâ (AI) modeli olan aLLoyM’i tanıtıyor; bu sayede daha iyi, daha dayanıklı ve daha verimli malzemelerin aranması hızlanabilir.

Günlük Teknoloji İçin Faz Haritalarının Önemi

Faz diyagramları metallere dair hava durumu haritaları gibidir. Yağmur ya da güneşi tahmin etmek yerine, hangi element karışımlarının eriyeceğini, sertleşeceğini veya koşullar değiştikçe hangi iç yapıları oluşturacağını gösterirler. Bu ayrıntılar bir köprünün ne kadar güvenli olduğunu, bir türbin kanadının ısıya ne kadar dayanacağını veya bir bataryanın zaman içinde ne kadar stabil kalacağını sessizce belirler. Ancak tüm olası element kombinasyonlarını ve sıcaklıkları deneylerle haritalamak neredeyse imkansızdır; çünkü test edilecek sayısız karışım vardır ve her biri dikkatli ısıtma, soğutma ve analiz gerektirir. Bilmemiz gerekenlerle gerçekten ölçebildiklerimiz arasındaki bu boşluk, AI’ın fark yaratabileceği alandır.

Özel Bir Dil Modeline Veri Beslemek

Bir dar matematiksel model daha inşa etmek yerine, araştırmacılar alaşımların dilinde eğitilmiş büyük bir dil modelini ince ayar yaptılar—genellikle metin için kullanılan bir AI türü. Açık bir bilgisayarla hesaplanmış faz diyagramları veritabanından yararlandılar ve 837.475 veri noktasını soru-cevap çiftlerine dönüştürdüler. Tipik bir soru şöyle olabilir: “Gümüş %46, alüminyum %54, 900 Kelvin: hangi fazlar ortaya çıkar?” ve cevap mevcut fazları sıralar. Düşük rütbeli uyarlama (low-rank adaptation) olarak adlandırılan bir teknik kullanarak, temel Mistral modelinin yalnızca küçük bir kısmını ayarladılar; böylece model üç tür görevi aynı anda yapabiliyordu: tam faz ayrıntılarını tahmin etmek, hangi fazların görüldüğünü adlandırmak veya istenen bir faz üreten bir alaşım bileşimi ve sıcaklığı önermek.

AI’ın Gerçekten Anlayıp Anlamadığını Kontrol Etmek

aLLoyM’in faz diyagramlarının arkasındaki kuralları gerçekten öğrenip öğrenmediğini görmek için ekip modeli çoktan seçmeli ve serbest biçimli (kısa yanıt) sorularla test etti. Çoktan seçmeli problemlerde modelin doğru cevabı dört seçenek arasından seçmesi gerekiyordu. Kutudan çıktığı haliyle temel model rastgele tahminden ancak biraz daha iyi performans gösterdi. İnce ayardan sonra aLLoyM’in doğruluğu tüm görevlerde ve hem daha basit iki elementli alaşımlarda hem de daha karmaşık üç elementli alaşımlarda keskin şekilde arttı. Modelin kendi metnini üretmesi gereken daha zorlu kısa yanıt ortamında bile, eğitim sırasında hiç görmediği alaşım sistemleri için bile doğru olanlarla yakından örtüşen faz adları üretti. Performans, iyi anlaşılan sistemlerden çıkarım yaparken en iyisiydi ve özellikle orta bileşim aralığında karmaşık davranış gösteren karışımlarda düştü—insan uzmanların da bu bölgeleri zor bulduğu gibi.

Bugünkü Deneylerin Ötesinde Yeni Malzemeler Hayal Etmek

Eğitildikten sonra aLLoyM, radyoaktif veya son derece kısa ömürlü elementleri içeren karışımlar gibi doğrudan çalışılması zor veya imkânsız metaller için faz diyagramları “çizmesi” istenebilecek şekilde kullanıldı. Örneğin model aktinyum ve uranyum karışımları için erime noktalarını ve yapısal türleri tahmin etti ve henüz ölçülmemiş sistemler için üçlü diyagramlar önerdi. Bu tahminlerden bazıları bilinen değerlere etkileyici derecede yakındı; diğerleri ise en kararlı kristal yapıyı yanlış tanımlamak gibi hatalar içeriyordu. Araştırmacılar ayrıca modelin “WOLF” kelimesini içeren yeni faz etiketleri icat etmesi gibi sürprizler gördüler ve bu tür sürprizlerin ne kadar güvenilir olabileceğini modelin içsel güveni ve farklı örnekleme ayarlarında yanıtlarının nasıl değiştiğini araştırarak test etme yöntemleri geliştirdiler.

Geleceğin Malzemeleri İçin Anlamı Ne Olabilir?

Bir uzman olmayan için ana mesaj şudur: aLLoyM, metallerin davranışı hakkında deneyimli bir malzeme bilimcisinin yaptığını anlama ve akıl yürütme biçimine benzer şekilde, ama çok daha yüksek hızda, metin tabanlı bir AI’nin eğitilebileceğini gösteriyor. Henüz dikkatli deneylerin veya ayrıntılı fizik temelli hesaplamaların yerine geçecek bir çözüm değil ve hâlâ kendinden emin hatalar yapabiliyor. Ancak eğitim verileri arttıkça, belirsizlik tahminleri ve istemler (prompts) iyileştikçe, aLLoyM benzeri modeller araştırmacıların hangi alaşım tariflerinin laboratuvarda test edilmeye değer olduğuna karar vermelerine yardımcı olabilir. Bu yönlendirme, yeni bir malzeme fikrinden gerçek dünya ürününe uzanan uzun ve pahalı yolu kısaltabilir ve daha temiz enerji santrallerinden daha uzun ömürlü tüketici elektroniğine kadar teknolojileri etkileyebilir.

Atıf: Oikawa, Y., Deffrennes, G., Shimayoshi, R. et al. aLLoyM: a large language model for alloy phase diagram prediction. npj Comput Mater 12, 97 (2026). https://doi.org/10.1038/s41524-026-01966-6

Anahtar kelimeler: alaşım faz diyagramları, malzeme keşfi, büyük dil modelleri, hesaplamalı malzeme bilimi, termodinamik modelleme