Bedre måde fundet til at bestemme integriteten af ​​metaller

Forskere ved University of Waterloo har fundet en bedre måde at identificere atomare strukturer på, et væsentligt skridt i at forbedre materialevalg i luftfarten, bygge- og bilindustrien.

Resultaterne af undersøgelsen kan resultere i større tillid ved bestemmelse af metallers integritet.

Devinder Kumar, en ph.d. kandidat i systemdesign engineering hos Waterloo, samarbejdet med Fritz Haber Institute (FHI) i Berlin, at udvikle en kraftfuld AI-model, der nøjagtigt kan detektere forskellige atomare strukturer i metalliske materialer. Systemet kan finde ufuldkommenheder i metallet, som tidligere var uopdagelige.

"Overalt hvor du har metaller, vil du gerne vide konsistensen, og det kan ikke gøres i nuværende praktiske scenarier, fordi de nuværende metoder ikke kan identificere symmetrien under ufuldkomne forhold, " sagde Kumar, som er medlem af Vision and Image Processing Research Group under supervision af Alexander Wong, en professor ved Waterloo og Canada Research Chair inden for kunstig intelligens.

"Så, denne nye metode til at evaluere metalliske materialer vil føre til bedre materialedesign generelt og har potentiale til at påvirke alle de industrier, hvor du har brug for materialedesignegenskaber."

FHI kom med et nyt scenarie, der kunstigt kan skabe data, der relaterer til den virkelige verden. Kumar sammen med sine samarbejdspartnere var i stand til at bruge dette til at generere omkring 80, 000 billeder af de forskellige slags defekter og forskydninger for at producere en meget effektiv AI-model til at identificere forskellige typer krystalstrukturer i praktiske scenarier. Disse data er blevet frigivet til offentligheden, så folk faktisk kan lære deres egne algoritmer.

"I teorien, alle metalliske materialer har perfekt symmetri, og alle varerne er på det rigtige sted, men i praksis er der defekter på grund af forskellige årsager såsom billig fremstilling, " sagde Kumar. "Alle disse nuværende metoder mislykkes, når de forsøger at matche faktiske ideelle strukturer, de fleste af dem fejler, når der endda er en procent defekt."

"Vi har lavet en AI-baseret algoritme eller model, der kan klassificere den slags symmetrier selv op til 40 procent af defekten."

Studiet, Indsigtsfuld klassificering af krystalstrukturer ved hjælp af dyb læring, blev offentliggjort for nylig i tidsskriftet Naturkommunikation .