AI identificerer ændringer i mikrostruktur i aldrende materialer

Lawrence Livermore National Laboratory (LLNL) forskere har taget et skridt fremad i designet af fremtidige materialer med forbedret ydeevne ved at analysere dets mikrostruktur ved hjælp af AI.

Værket dukkede for nylig på nettet i tidsskriftet Computational Materials Science .

Teknologiske fremskridt inden for materialevidenskabelige applikationer, der spænder over elektroniske, biomedicinsk, alternativ energi, elektrolyt, katalysatordesign og videre er ofte hindret af manglende forståelse af komplekse sammenhænge mellem den underliggende materialemikrostruktur og enhedens ydeevne. Men AI-drevet dataanalyse giver muligheder, der kan accelerere materialedesign og -optimering ved at belyse sammenhænge mellem behandling og ydeevne på en matematisk overskuelig måde.

Den seneste udvikling inden for kunstig-neural-netværksbaserede "deep learning"-metoder har revolutioneret processen med at opdage sådanne indviklede relationer ved hjælp af selve rådataene. Imidlertid, for pålideligt at træne store netværk har man brug for data fra titusindvis af prøver, hvilken, Desværre er det ofte uoverkommeligt i nye systemer og nye applikationer på grund af omkostningerne ved prøveforberedelse og dataindsamling. I situationer som disse, innovative algoritmer er nødvendige for at udtrække de mest passende "funktioner" eller "deskriptorer" ud af de rå eksperimentelle karakteriseringsdata.

Som et eksempel, polymerbundne højsprængstoffer udgør et vigtigt materialesystem, hvis 3-D bi-fasiske mikrostruktur kan:(1) variere meget afhængigt af behandlingsparametre som højenergipartikelmorfologi og størrelsesfordeling, bindemiddelindhold, opløsningsmidler/omrøringshastigheder, presserende kræfter, temperatur, etc.; (2) udvikle sig over langsigtet materialeældning under varierende miljøforhold; og (3) vise variation i ydeevne som en funktion af prøvens mikrostruktur og alder.

Mens hver 3-D mikrostruktur kan afbildes ikke-destruktivt med røntgen-CT-scanninger (på flere tidspunkter), processen med dataindsamling er tidskrævende og dyr, hvilket begrænser antallet af prøver til typisk blot nogle få hundrede. Udfordringen er at gøre den bedste brug af sådanne begrænsede data til at afdække eventuelle proces-mikrostruktur-performance-korrelationer, kvantificere langsigtede aldringstendenser, give mikroskala indsigt i fysik-baserede simuleringskoder, og design fremtidige materialer med forbedret ydeevne.

Et team af LLNL-materialeforskere og data-visualiseringsforskere ved LLNL og University of Utah brugte nyligt udviklede metoder inden for skalarfelttopologi og morse-teori til at udtrække nyttige opsummeringsfunktioner som "kornantal" og "indre grænseoverfladeareal" fra råmaterialet. X-ray CT data.

Disse funktionsvariable blev derefter analyseret ved hjælp af en række statistiske maskinlæringsteknikker, hvilket gjorde det muligt for teamet at:(1) objektivt skelne mellem forskellige mikrostrukturer som følge af bearbejdningsforskelle; (2) systematisk spore mikrostruktur-evolution under aldring; og (3) bygge mikrostrukturafhængige præstationsmodeller.

"Med øget vægt på AI-inspireret datacentreret forskning, paradigmet for, hvordan vi nærmer os modelbygning og materialeopdagelse, ændrer sig hurtigt, " ifølge hovedforfatter Amitesh Maiti. "Tempoet og kvaliteten af ​​fremskridt afhænger kritisk af sådanne multi-team samarbejder, der samler komplementær viden og færdigheder."

Med ordene fra projektets hovedefterforsker Richard Gee:"Udviklingen og implementeringen af ​​disse metoder giver midlerne til at identificere komplekse effekter af behandlingsparametre og aldring på ydeevnen af ​​lagerrelevante materialer. Den resulterende indsigt skulle muliggøre optimering af komponentdesign og forudsigelse af langsigtet aldersinduceret ændring i ydeevne, hvilket er af stor værdi for forbedret overvågningspraksis."