Maskinlæring accelererer højtydende materialeudvikling og -implementering

Lawrence Livermore National Laboratory (LLNL) og dets partnere er afhængige af rettidig udvikling og udrulning af forskellige materialer til at understøtte en række nationale sikkerhedsmissioner. Imidlertid, materialeudvikling og udrulning kan tage mange år fra første opdagelse af et nyt materiale til udrulning i skala.

Et tværfagligt team af LLNL-forskere fra Fysisk og Biovidenskab, Databehandlings- og teknikdirektorater udvikler maskinlæringsteknikker for at fjerne flaskehalse i udviklingscyklussen, og til gengæld dramatisk formindskelse af tiden til implementering.

En sådan flaskehals er mængden af ​​indsats, der kræves for at teste og evaluere ydeevnen af ​​kandidatmaterialer såsom TATB, et ufølsomt højsprængstof af interesse for både Energiministeriet og Forsvarsministeriet. TATB-prøver kan udvise forskellige krystalkarakteristika (f.eks. størrelse og tekstur) og afviger derfor dramatisk i ydeevne på grund af små variationer i de betingelser, hvorunder syntesereaktionen fandt sted.

LLNL-teamet ser på en ny tilgang til at forudsige materialeegenskaber. Ved at anvende computersyn og maskinlæring baseret på scanningselektronmikroskopi (SEM) billeder af råt TATB-pulver, de har undgået behovet for fremstilling og fysisk test af en del. Holdet har vist, at det er muligt at træne modeller til at forudsige materialeydelse baseret på SEM alene, demonstrerer en 24 procents fejlreduktion i forhold til den nuværende førende tilgang (dvs. domæneekspertvurdering og instrumentdata). Ud over, holdet viste, at maskinlæringsmodeller kan opdage og bruge informative krystalattributter, hvilke domæneeksperter havde underudnyttet.

Ifølge LLNL datalog Brian Gallagher, hovedforfatter til en artikel, der vises i tidsskriftet Materials and Design:"Vores mål er ikke kun at præcist forudsige materialeydelse, men for at give feedback til eksperimentalister om, hvordan man ændrer syntesebetingelser for at producere materialer med højere ydeevne. Disse resultater flytter os et skridt tættere på det mål."

LLNL materialeforsker Yong Han, hovedefterforsker og tilsvarende forfatter til papiret, tilføjet:"Vores arbejde viser nytten af ​​at anvende nye maskinlæringstilgange til at tackle vanskelige materialevidenskabelige problemer. Vi planlægger at udvide dette arbejde for at tackle datasparsomhed, forklarlighed, usikkerhed og domænebevidst modeludvikling."