Ny strategi sætter udviklingen af ​​mikroskopiske strukturer i gang

Materialers mikroskopiske strukturer og egenskaber er tæt forbundet, og at tilpasse dem er en udfordring. Ingeniører fra Rice University er fast besluttede på at forenkle processen gennem maskinlæring.

Til det formål, Rice lab af materialeforsker Ming Tang, i samarbejde med fysiker Fei Zhou ved Lawrence Livermore National Laboratory, introducerede en teknik til at forudsige udviklingen af ​​mikrostrukturer - strukturelle træk mellem 10 nanometer og 100 mikrometer - i materialer.

Deres open-access-papir i Cell Press-journal Mønstre viser, hvordan neurale netværk (computermodeller, der efterligner hjernens neuroner) kan træne sig selv til at forudsige, hvordan en struktur vil vokse under et bestemt miljø, meget som et snefnug dannes af fugt i naturen.

Faktisk, snefnug-lignende, dendritiske krystalstrukturer var et af de eksempler, laboratoriet brugte i sin proof-of-concept undersøgelse.

"I moderne materialevidenskab, det er almindeligt accepteret, at mikrostrukturen ofte spiller en kritisk rolle i styringen af ​​et materiales egenskaber, "Sagde Tang." Du vil ikke kun kontrollere, hvordan atomerne er arrangeret på gitter, men også hvordan mikrostrukturen ser ud, for at give dig god ydeevne og endda ny funktionalitet.

"Den hellige gral ved design af materialer er at være i stand til at forudsige, hvordan en mikrostruktur vil ændre sig under givne forhold, om vi opvarmer det eller anvender stress eller en anden form for stimulering, " han sagde.

Tang har arbejdet med at forfine mikrostrukturforudsigelser i hele sin karriere, men sagde, at den traditionelle ligningsbaserede tilgang står over for betydelige udfordringer for at give forskere mulighed for at følge med efterspørgslen efter nye materialer.

"De enorme fremskridt inden for maskinlæring opmuntrede Fei hos Lawrence Livermore og os til at se, om vi kunne anvende det på materialer, " han sagde.

Heldigvis, der var masser af data fra den traditionelle metode til at hjælpe med at træne teamets neurale netværk, som ser på den tidlige udvikling af mikrostrukturer for at forudsige det næste trin, og den næste, og så videre.

"Det er det maskineri er godt til, at se sammenhængen på en meget kompleks måde, som det menneskelige sind ikke er i stand til, "Sagde Tang." Det drager vi fordel af. "

Forskerne testede deres neurale netværk på fire forskellige typer mikrostruktur:plan-bølgeudbredelse, kornvækst, spinodal nedbrydning og dendritisk krystalvækst.

I hver test, netværkene blev fodret mellem 1, 000 og 2, 000 sæt med 20 på hinanden følgende billeder, der illustrerer et materiales mikrostrukturudvikling som forudsagt af ligningerne. Efter at have lært udviklingsreglerne ud fra disse data, netværket blev derefter givet fra 1 til 10 billeder for at forudsige de næste 50 til 200 billeder, og gjorde det normalt på få sekunder.

Den nye tekniks fordele blev hurtigt klare:De neurale netværk, drevet af grafiske processorer, hastede beregningerne op til 718 gange for kornvækst, sammenlignet med den tidligere algoritme. Når den køres på en standard central processor, de var stadig op til 87 gange hurtigere end den gamle metode. Forudsigelsen af ​​andre former for mikrostrukturudvikling viste lignende, dog ikke så dramatisk, hastigheden stiger.

Sammenligninger med billeder fra den traditionelle simuleringsmetode viste, at forudsigelserne stort set var på mærket, Sagde Tang. "Baseret på det, vi ser, hvordan vi kan opdatere parametrene for at gøre forudsigelsen mere og mere præcis, "sagde han." Så kan vi bruge disse forudsigelser til at hjælpe med at designe materialer, vi ikke har set før.

"En anden fordel er, at den er i stand til at forudsige, selvom vi ikke ved alt om de materielle egenskaber i et system, "Sagde Tang." Vi kunne ikke gøre det med den ligningsbaserede metode, som skal kende alle parameterværdierne i ligningerne for at udføre simuleringer. "

Tang sagde, at beregningseffektiviteten af ​​neurale netværk kunne fremskynde udviklingen af ​​nye materialer. Han forventer, at det vil være nyttigt i hans laboratoriums løbende design af mere effektive batterier. "Vi tænker på nye tredimensionelle strukturer, der hjælper med at oplade og aflade batterier meget hurtigere, end hvad vi har nu, "Sagde Tang." Dette er et optimeringsproblem, der er perfekt til vores nye tilgang. "