Nyt AI-værktøj opdager realistiske metamaterialer med usædvanlige egenskaber

Omvendt design

En sådan materialeopdagelsesproces kræver løsning af et såkaldt "omvendt problem":problemet med at finde den geometri, der giver anledning til de egenskaber, du ønsker. Omvendte problemer er notorisk svære at løse, og det er her AI kommer ind i billedet. TU Delft-forskere har udviklet deep-learning-modeller, der løser disse omvendte problemer.

"Selv når omvendte problemer tidligere blev løst, har de været begrænset af den forenklede antagelse, at geometrien i lille skala kan laves ud fra et uendeligt antal byggeklodser. Problemet med den antagelse er, at metamaterialer normalt laves ved 3D-printning. og rigtige 3D-printere har en begrænset opløsning, som begrænser antallet af byggeklodser, der passer ind i en given enhed," siger førsteforfatter Dr. Helda Pahlavani.

AI-modellerne udviklet af TU Delft-forskere bryder ny vej ved at omgå sådanne forenklede antagelser. "Så vi kan nu blot spørge:hvor mange byggeklodser tillader din fremstillingsteknik dig at rumme i din enhed? Modellen finder derefter den geometri, der giver dig dine ønskede egenskaber for antallet af byggeklodser, som du faktisk kan fremstille."

Låser op for det fulde potentiale

Et stort praktisk problem, der er forsømt i tidligere forskning, har været metamaterialers holdbarhed. De fleste eksisterende designs går i stykker, når de er brugt et par gange. Det skyldes, at eksisterende metamaterialedesigntilgange ikke tager højde for holdbarhed.

"Hidtil har det kun handlet om, hvilke egenskaber der kan opnås. Vores undersøgelse overvejer holdbarhed og udvælger de mest holdbare designs fra en stor pulje af designkandidater. Dette gør vores designs virkelig praktiske og ikke kun teoretiske eventyr," siger Zadpoor.

Metamaterialernes muligheder synes uendelige, men det fulde potentiale er langt fra at blive realiseret, siger adjunkt Mohammad J. Mirzaali, tilsvarende forfatter til publikationen. Dette skyldes, at det at finde det optimale design af et metamateriale i øjeblikket stadig i vid udstrækning er baseret på intuition, involverer forsøg og fejl og er derfor arbejdskrævende. At bruge en omvendt designproces, hvor de ønskede egenskaber er udgangspunktet for designet, er stadig meget sjældent inden for metamaterialeområdet.

"Men vi mener, at det skridt, vi har taget, er revolutionerende inden for metamaterialer. Det kan føre til alle mulige nye applikationer." Der er mulige anvendelser i ortopædiske implantater, kirurgiske instrumenter, bløde robotter, adaptive spejle og exo-dragter.

Flere oplysninger: Helda Pahlavani et al., Deep Learning for Size-Agnostic Inverse Design of Random-Network 3D Printed Mechanical Metamaterials, Avancerede materialer (2023). DOI:10.1002/adma.202303481

Journaloplysninger: Avanceret materiale

Leveret af Delft University of Technology