Maskinlæring til at forudsige og optimere deformation af materialer

Forskere ved Tampere University of Technology og Aalto University lærte maskinlæringsalgoritmer at forudsige, hvordan materialer strækker sig. Denne nye anvendelse af maskinlæring åbner nye muligheder inden for fysik, og mulige applikationer kan findes i designet af nye optimale materialer. Undersøgelsen er blevet offentliggjort i det prestigefyldte tidsskrift Naturkommunikation .

De fleste almindelige objekter har en tendens til at strække sig 'jævnt', at det:forskere kan forudsige, hvor meget kraft der kræves for at få et materiale til at strække sig med en bestemt afstand. Nylige eksperimenter har vist, at disse forudsigelser ikke holder ved mikrometerskalaen. Strækningen af ​​mikroskopiske krystaller sker i diskrete udbrud med en meget stor størrelsesfordeling. Da udbruddene forekommer sporadisk, tilsyneladende identiske mikroskala-prøver kan strække sig på meget forskellige måder. Denne variation i prøvernes styrkeegenskaber udgør en udfordring for udviklingen af ​​nye materialer med ønskede egenskaber. I deres artikel "Machine learning plastisk deformation af krystaller" offentliggjort i Naturkommunikation , forskerne bruger maskinlæring til at forudsige karakteristika ved individuelle prøver.

"Det lykkedes maskinlæringsalgoritmerne at måle, hvor forudsigelig strækningsprocessen for små krystallinske prøver er. Dette ville have været praktisk talt umuligt med traditionelle midler, men maskinlæring muliggør opdagelse af nye og interessante resultater, "forklarer lektor Lasse Laurson fra laboratoriet for fysik ved Tammerfors teknologiske universitet.

Den irreversible plastiske deformation af krystallinske stoffer opstår, når krystallografiske defekter, kaldes dislokationer, flytte fra et sted i krystallen til et andet. Krystallinske materialer, såsom metaller eller is indeholder næsten altid netværk af dislokationer, med hver krystal indeholdende sit eget netværk.

Forskerne uddannede maskinlæringsalgoritmer til at genkende forbindelsen mellem et objekts mikroskopiske struktur og mængden af ​​kraft, der kræves for at strække en prøve. Undersøgelsen afslørede, blandt andet at forudsigeligheden af ​​den krævede kraftmængde ændrer sig på strækningen af ​​prøven:Først, det bliver sværere at forudsige den krævede kraft, når strækningen vokser, hvilket mest afhænger af strækningsudbrudernes sporadiske natur. Overraskende nok, imidlertid, forudsigeligheden forbedres, når strækningen fortsætter med at vokse. Størrelse påvirker også forudsigeligheden:det er lettere at forudsige deformationsprocessen for større krystaller end mindre.

"Når strækningen vokser, antallet af bursts reduceres, derved forbedre forudsigeligheden. Dette er lovende med hensyn til at forudsige udbyttet af individuelle prøver, hvilket er et centralt mål inden for materialefysik, "siger Henri Salmenjoki, doktorand ved Institut for Anvendt Fysik ved Aalto University.

"Vores forskning indikerer, at maskinlæring kan bruges til at forudsige meget komplekse og ikke-lineære fysiske processer. Ud over udviklingen af ​​optimale materialer, mulige applikationer kan findes i forudsigelsen af ​​dynamik i mange andre komplekse systemer, ”Forklarer Laurson.