Kan kunstig intelligens åbne nye døre for materialeopdagelse?

Fremtiden for ren energi er varm. Temperaturerne rammer 800 Celsius i dele af solenergianlæg og avancerede atomreaktorer. Det er svært at finde materialer, der kan tåle den type varme. Så eksperter ser til Mark Messner for at få svar.

En ledende maskiningeniør ved U.S. Department of Energy's (DOE) Argonne National Laboratory, Messner er blandt en gruppe ingeniører, der opdager bedre måder at forudsige, hvordan materialer vil opføre sig under høje temperaturer og tryk. De nuværende forudsigelsesmetoder fungerer godt, men de tager tid og kræver ofte supercomputere, især hvis du allerede har et sæt specifikke materialeegenskaber – f.eks. stivhed, tæthed eller styrke - og ønsker at finde ud af, hvilken type struktur et materiale skal bruge for at matche disse egenskaber.

"Du ville typisk skulle køre tonsvis af fysik-baserede simuleringer for at løse det problem, " sagde Messner.

Leder du efter en genvej, han fandt ud af, at neurale netværk, en type kunstig intelligens (AI), der afdækker mønstre i enorme datasæt, kan præcist forudsige, hvad der sker med et materiale under ekstreme forhold. Og de kan gøre dette meget hurtigere og nemmere end standardsimuleringer.

Messners nye metode fandt et materiales egenskaber mere end 2, 000 gange hurtigere end standardmetoden, som rapporteret i oktober 2019 Journal of Mechanical Design artikel. Mange af beregningerne, Messner indså, kunne køre på en almindelig bærbar computer med en grafikprocessor (GPU) - i stedet for en supercomputer, som ofte er utilgængelige for de fleste virksomheder.

Dette var første gang nogen havde brugt et såkaldt konvolutionelt neuralt netværk - en type neuralt netværk med et andet, enklere struktur, der er ideel til at genkende mønstre i fotos - for nøjagtigt at genkende et materiales strukturelle egenskaber. Det er også et af de første skridt i at accelerere, hvordan forskere designer og karakteriserer materialer, som kunne hjælpe os med at bevæge os mod en helt ren energiøkonomi.

Katte på internettet spiller en rolle

Messner begyndte at designe materialer som postdoc-forsker ved DOE's Lawrence Livermore National Laboratory, hvor et team søgte at producere strukturer på en 3D-printer i en skala på mikron, eller milliontedele af en meter. Mens forkant, forskningen var langsom. Kunne kunstig intelligens fremskynde resultater?

På det tidspunkt, teknologigiganter i Silicon Valley var begyndt at bruge konvolutionelle neurale netværk til at genkende ansigter og dyr på billeder. Dette inspirerede Messner.

"Min idé var, at et materiales struktur ikke er anderledes end et 3D-billede, " sagde han. "Det giver mening, at 3D-versionen af ​​dette neurale netværk vil gøre et godt stykke arbejde med at genkende strukturens egenskaber - ligesom et neuralt netværk lærer, at et billede er en kat eller noget andet."

For at teste hans teori, Messner tog fire skridt. Han:

• designet en defineret firkant med klodser-lignende pixels;
• tog tilfældige prøver af det design og brugte en fysikbaseret simulering til at skabe 2 millioner datapunkter. Disse punkter knyttede hans design til de ønskede egenskaber af tæthed og stivhed;
• fodret de 2 millioner datapunkter ind i det foldede neurale netværk. Dette trænede netværket til at lede efter de korrekte resultater;
• brugt en genetisk algoritme, en anden type AI designet til at optimere resultater, sammen med det trænede foldende neurale netværk, at finde en overordnet struktur, der ville matche de ejendomme, han ønskede.

Resultatet? Den nye AI-metode fandt den rigtige struktur 2, 760 gange hurtigere end den standardfysikbaserede model (0,00075 sekunder vs. 0,207 sekunder, henholdsvis).

Nye værktøjer øger nuklear innovation

Denne abstrakte idé kan ændre, hvordan ingeniører designer materialer - især dem, der er beregnet til at modstå forhold med høje temperaturer, tryk og korrosion.

Messner sluttede sig for nylig til et team af ingeniører fra Argonne og DOE's Idaho og Los Alamos National Laboratories, der samarbejder med Kairos Power, en nuklear opstart. Holdet skaber AI-baserede simuleringsværktøjer, der vil hjælpe Kairos med at designe en atomreaktor med smeltet salt, hvilken, i modsætning til nuværende reaktorer, vil bruge smeltet salt som kølemiddel. Med disse værktøjer, holdet vil projektere, hvordan en bestemt type rustfrit stål, kaldet 316H, vil opføre sig under ekstreme forhold i årtier.

"Dette er en lille, men afgørende, en del af det arbejde, vi gør for Kairos Power, " sagde Rui Hu, en atomingeniør, der styrer Argonnes rolle i projektet. "Kairos Power ønsker meget nøjagtige modeller af, hvordan reaktorkomponenter kommer til at opføre sig inde i dens reaktor for at understøtte dens licensansøgning til Nuclear Regulatory Commission. Vi ser frem til at levere disse modeller."

En anden lovende vej for denne type arbejde er 3D-print. Før 3D-printing fangede, ingeniører kæmpede for faktisk at bygge strukturer som den, Messner fandt ved hjælp af kunstig intelligens i sit 2019-blad. Men at lave en struktur lag for lag med en 3D-printer giver mulighed for mere fleksibilitet end traditionelle fremstillingsmetoder.

Fremtiden for maskinteknik kan være i at kombinere 3D-print med nye AI-baserede teknikker, sagde Messner. "Du ville give strukturen - bestemt af et neuralt netværk - til en person med en 3D-printer, og de ville udskrive den med de egenskaber, du ønsker, " sagde han. "Vi er ikke helt der endnu, men det er håbet."