Nyt AI-værktøj beregner materialespænding og -belastning baseret på fotos

Isaac Newton kan have mødt sin kamp.

I århundreder, ingeniører har påberåbt sig fysiske love – udviklet af Newton og andre – for at forstå belastningerne og belastningerne på de materialer, de arbejder med. Men at løse disse ligninger kan være et regnestykke, især for komplekse materialer.

MIT forskere har udviklet en teknik til hurtigt at bestemme visse egenskaber af et materiale, som stress og belastning, baseret på et billede af materialet, der viser dets indre struktur. Tilgangen kunne en dag eliminere behovet for besværlige fysikbaserede beregninger, i stedet stole på computervision og maskinlæring for at generere estimater i realtid.

Forskerne siger, at fremskridtet kunne muliggøre hurtigere design af prototyper og materialeinspektioner. "Det er en helt ny tilgang, " siger Zhenze Yang, tilføjer, at algoritmen "fuldfører hele processen uden nogen form for kendskab til fysik."

Forskningen vises i dag i tidsskriftet Videnskabens fremskridt . Yang er papirets hovedforfatter og ph.d. studerende ved Institut for Materialevidenskab og Teknik. Medforfattere inkluderer tidligere MIT postdoc Chi-Hua Yu og Markus Buehler, McAfee-professoren i ingeniørvidenskab og direktøren for Laboratoriet for Atomistisk og Molekylær Mekanik.

Ingeniører bruger meget tid på at løse ligninger. De hjælper med at afsløre et materiales indre kræfter, som stress og belastning, hvilket kan få materialet til at deformeres eller gå i stykker. Sådanne beregninger kan antyde, hvordan en foreslået bro ville holde stand under tung trafikbelastning eller kraftig vind. I modsætning til Sir Isaac, ingeniører i dag behøver ikke pen og papir til opgaven. "Mange generationer af matematikere og ingeniører har skrevet disse ligninger ned og derefter fundet ud af, hvordan man løser dem på computere, " siger Buehler. "Men det er stadig et svært problem. Det er meget dyrt - det kan tage dage, uger, eller endda måneder til at køre nogle simuleringer. Så, vi tænkte:Lad os lære en AI at gøre dette problem for dig."

Forskerne henvendte sig til en maskinlæringsteknik kaldet et Generative Adversarial Neural Network. De trænede netværket med tusindvis af parrede billeder - et afbilder et materiales indre mikrostruktur, der er udsat for mekaniske kræfter, og den anden viser det samme materiales farvekodede spændings- og belastningsværdier. Med disse eksempler, netværket bruger principper for spilteori til iterativt at finde ud af forholdet mellem et materiales geometri og dets resulterende spændinger.

"Så, fra et billede, computeren er i stand til at forudsige alle disse kræfter:deformationerne, stress, og så videre, " siger Buehler. "Det er virkelig gennembruddet - på den konventionelle måde, du bliver nødt til at kode ligningerne og bede computeren om at løse partielle differentialligninger. Vi går bare billede til billede."

Den billedbaserede tilgang er især fordelagtig for komplekse, kompositmaterialer. Kræfter på et materiale kan virke anderledes på atomær skala end på makroskopisk skala. "Hvis du ser på et fly, du har måske lim, et metal, og en polymer imellem. Så, du har alle disse forskellige ansigter og forskellige skalaer, der bestemmer løsningen, siger Buehler. "Hvis du går den hårde vej - Newton-vejen - skal du gå en kæmpe omvej for at komme til svaret."

Men forskerens netværk er dygtige til at håndtere flere skalaer. Den behandler information gennem en række "indviklinger, ", som analyserer billederne i gradvist større skalaer. "Det er derfor, disse neurale netværk passer godt til at beskrive materialeegenskaber, " siger Buehler.

Det fuldt trænede netværk klarede sig godt i test, med succes at gengive stress- og deformationsværdier givet en række nærbilleder af mikrostrukturen af ​​forskellige bløde kompositmaterialer. Netværket var endda i stand til at fange "singulariteter, " som revner, der udvikler sig i et materiale. I disse tilfælde, kræfter og felter ændrer sig hurtigt over små afstande. "Som materialeforsker, du vil gerne vide, om modellen kan genskabe disse singulariteter, " siger Buehler. "Og svaret er ja."

Fremskridtet kunne "betydende reducere de gentagelser, der er nødvendige for at designe produkter, " ifølge Suvranu De, en maskiningeniør ved Rensselaer Polytekniske Institut, som ikke var involveret i forskningen. "Den ende-til-ende tilgang, der er foreslået i dette papir, vil have en betydelig indvirkning på en række ingeniørmæssige applikationer - fra kompositter, der bruges i bil- og flyindustrien til naturlige og konstruerede biomaterialer. Den vil også have betydelige applikationer inden for det rene område. videnskabelig undersøgelse, som kraft spiller en kritisk rolle i en overraskende bred vifte af applikationer fra mikro/nanoelektronik til migration og differentiering af celler."

Ud over at spare ingeniører tid og penge, den nye teknik kunne give ikke-eksperter adgang til state-of-the-art materialeberegninger. Arkitekter eller produktdesignere, for eksempel, kunne teste levedygtigheden af ​​deres ideer, før de sendte projektet videre til et ingeniørteam. "De kan bare tegne deres forslag og finde ud af, " siger Buehler. "Det er en stor sag."

Når først du er blevet trænet, netværket kører næsten øjeblikkeligt på computerprocessorer af forbrugerkvalitet. Det kunne gøre det muligt for mekanikere og inspektører at diagnosticere potentielle problemer med maskiner blot ved at tage et billede.

I det nye blad, forskerne arbejdede primært med kompositmaterialer, der indeholdt både bløde og sprøde komponenter i en række tilfældige geometriske arrangementer. I det fremtidige arbejde, holdet planlægger at bruge en bredere vifte af materialetyper. "Jeg tror virkelig, at denne metode vil have en enorm indflydelse, " siger Buehler. "At styrke ingeniører med kunstig intelligens er virkelig, hvad vi prøver at gøre her."

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.