Maskinlæringsværktøj kan hjælpe med at udvikle hårdere materialer

For ingeniører, der udvikler nye materialer eller beskyttende belægninger, der er milliarder af forskellige muligheder for at sortere igennem. Labtest eller endda detaljerede computersimuleringer for at bestemme deres nøjagtige egenskaber, såsom hårdhed, kan tage timer, dage, eller mere for hver variation. Nu, en ny kunstig intelligensbaseret tilgang udviklet på MIT kunne reducere det til et spørgsmål om millisekunder, gør det praktisk at screene store arrays af kandidatmaterialer.

Systemet, som MIT -forskere håber kunne bruges til at udvikle stærkere beskyttende belægninger eller strukturelle materialer - f.eks. for at beskytte fly eller rumfartøjer mod stød - er beskrevet i et papir i tidsskriftet Stof , af MIT postdoc Chi-Hua Yu, civil- og miljøteknisk professor og afdelingsleder Markus J. Buehler, og Yu-Chuan Hsu ved National Taiwan University.

Fokus for dette arbejde var på at forudsige, hvordan et materiale ville gå i stykker eller gå i stykker, ved at analysere udbredelsen af ​​revner gennem materialets molekylære struktur. Buehler og hans kolleger har brugt mange år på at studere brud og andre fejltilstande i detaljer, da forståelse af fejlprocesser er nøglen til at udvikle robuste, pålidelige materialer. "En af specialerne i mit laboratorium er at bruge det, vi kalder molekylær dynamiksimuleringer, eller grundlæggende atom-for-atom-simuleringer "af sådanne processer, Siger Buehler.

Disse simuleringer giver en kemisk nøjagtig beskrivelse af, hvordan brud sker, han siger. Men det er langsomt, fordi det kræver løsning af bevægelsesligninger for hvert enkelt atom. "Det tager meget tid at simulere disse processer, "siger han. Teamet besluttede at undersøge måder at effektivisere denne proces, ved hjælp af et maskinlæringssystem.

"Vi tager en omvej, "siger han." Vi har spurgt, hvad hvis du bare havde observation af, hvordan brud sker [i et givet materiale], og lad computere lære dette forhold selv? "For at gøre det, systemer til kunstig intelligens (AI) har brug for en række eksempler til brug som et træningssæt, at lære om sammenhængene mellem materialets egenskaber og dets ydeevne.

I dette tilfælde, de kiggede på en række forskellige sammensatte, lagdelte belægninger fremstillet af krystallinske materialer. Variablerne omfattede sammensætningen af ​​lagene og de relative orienteringer af deres ordnede krystalstrukturer, og den måde, hvorpå disse materialer hver især reagerede på brud, baseret på molekylære dynamiksimuleringer. "Vi simulerer dybest set, atom for atom, hvordan materialer går i stykker, og vi registrerer disse oplysninger, "Siger Buehler.

De genererede omhyggeligt hundredvis af sådanne simuleringer, med en lang række strukturer, og udsatte hver enkelt for mange forskellige simulerede brud. Derefter indførte de store mængder data om alle disse simuleringer i deres AI -system, for at se, om det kunne opdage de underliggende fysiske principper og forudsige udførelsen af ​​et nyt materiale, der ikke var en del af træningssættet.

Og det gjorde det. "Det er det virkelig spændende, "Buehler siger, "fordi computersimulering gennem AI kan gøre det, der normalt tager meget lang tid ved hjælp af molekylær dynamik, eller ved hjælp af begrænsede element simuleringer, som er en anden måde, hvorpå ingeniører løser dette problem, og det er også meget langsomt. Så, dette er en helt ny måde at simulere, hvordan materialer fejler. "

Hvordan materialer fejler er afgørende information for ethvert ingeniørprojekt, Buehler understreger. Materialefejl såsom brud er "en af ​​de største årsager til tab i enhver industri. Til inspektion af fly eller tog eller biler, eller til veje eller infrastruktur, eller beton, eller stålkorrosion, eller at forstå bruddet på biologiske væv såsom knogler, evnen til at simulere brud med AI, og gør det hurtigt og meget effektivt, er en rigtig game changer. "

Forbedringen i hastighed frembragt ved brug af denne metode er bemærkelsesværdig. Hsu forklarer, at "for enkelte simuleringer i molekylær dynamik, det har taget flere timer at køre simuleringerne, men i denne kunstige intelligens forudsigelse, det tager kun 10 millisekunder at gennemgå alle forudsigelser fra mønstrene, og vis, hvordan en revne dannes trin for trin. "

Metoden, de udviklede, er ret generaliserbar, Siger Buehler. "Selvom vi i vores papir kun anvendte det på ét materiale med forskellige krystalorienteringer, du kan anvende denne metode til meget mere komplekse materialer. "Og mens de brugte data fra atomistiske simuleringer, systemet kunne også bruges til at forudsige på grundlag af eksperimentelle data såsom billeder af et materiale, der undergår brud.

"Hvis vi havde et nyt materiale, som vi aldrig har simuleret før, " han siger, "hvis vi har mange billeder af brudprocessen, vi kan også indsætte disse data i maskinlæringsmodellen. "Uanset input, simuleret eller eksperimentelt, AI -systemet går i det væsentlige gennem den udviklende proces ramme for ramme, at bemærke, hvordan hvert billede adskiller sig fra det forrige for at lære den underliggende dynamik.

For eksempel, som forskere gør brug af de nye faciliteter i MIT.nano, instituttets facilitet dedikeret til fremstilling og test af materialer på nanoskala, enorme mængder nye data om en række syntetiserede materialer vil blive genereret.

"Efterhånden som vi har flere og flere eksperimentelle teknikker med høj kapacitet, der kan producere mange billeder meget hurtigt, på en automatiseret måde, denne form for datakilder kan straks indføres i maskinindlæringsmodellen, "Buehler siger." Vi tror virkelig, at fremtiden vil være en, hvor vi har meget mere integration mellem eksperiment og simulering, meget mere, end vi har gjort tidligere. "

Systemet kunne ikke kun anvendes på brud, som holdet gjorde i denne indledende demonstration, men til en lang række processer, der udspiller sig over tid, han siger, såsom diffusion af et materiale til et andet, eller korrosionsprocesser. "Når som helst, hvor du har udviklinger af fysiske felter, og vi vil vide, hvordan disse felter udvikler sig som en funktion af mikrostrukturen, " han siger, denne metode kan være en velsignelse.