Искусственный интеллект дает возможность найти более прочные материалы

Для инженеров, разрабатывающих новые материалы или защитные покрытия, существуют миллиарды различных возможностей для сортировки. Лабораторные тесты или даже подробные компьютерные симуляции для определения их точных свойств, таких как ударная вязкость, могут занять часы, дни или больше для каждого варианта. Теперь новый подход, основанный на искусственном интеллекте, разработанный в Массачусетском технологическом институте, может сократить это до нескольких миллисекунд, сделав его практичным для проверки огромных массивов материалов-кандидатов.

Система, которую, как надеются исследователи Массачусетского технологического института, может быть использована для разработки более прочных защитных покрытий или конструкционных материалов - например, для защиты самолетов или космических аппаратов от ударов.

В центре внимания этой работы было предсказание того, как материал будет разрушаться или разрушаться, анализируя распространение трещин в молекулярной структуре материала. Бюлер и его коллеги провели много лет, изучая трещины и другие виды отказов очень подробно, поскольку понимание процессов отказов является ключом к разработке надежных и надежных материалов.

Это моделирование дает химически точное описание того, как происходит разрушение, говорит он. Но это медленно, потому что требует решения уравнений движения для каждого атома. «Имитация этих процессов занимает много времени», - говорит один из ученых Маркус Бюлер. Команда решила изучить способы оптимизации этого процесса, используя систему машинного обучения.

«Мы как бы объезжаем», - говорит он. «Мы спрашивали, а что, если бы вы просто наблюдали за тем, как происходит разрушение [в данном материале], и позволяли компьютерам самим изучать эти отношения?» Для этого системам искусственного интеллекта (ИИ) необходимо множество примеров для использования в качестве учебного набора, чтобы узнать о корреляциях между характеристиками материала и его характеристиками.

В этом случае они рассматривали различные композитные, слоистые покрытия из кристаллических материалов. Переменные включали в себя состав слоев и относительную ориентацию их упорядоченных кристаллических структур, а также то, как каждый из этих материалов реагировал на разрушение на основе моделирования молекулярной динамики. «Мы в основном моделируем, атом за атомом, как материалы разрушаются, и мы записываем эту информацию», - говорит Бюлер.

Они кропотливо генерировали сотни таких симуляций с самыми разными структурами и подвергали каждую из них множеству симулированных переломов. Затем они подали большие объемы данных обо всех этих симуляциях в свою систему ИИ, чтобы узнать, сможет ли она обнаружить основные физические принципы и предсказать производительность нового материала, который не был частью учебного набора.

ИИ это сделал. «Это действительно захватывающая вещь, - говорит Бюлер, - потому что компьютерное моделирование с помощью ИИ может делать то, что обычно занимает очень много времени, используя молекулярную динамику или моделирование с помощью конечных элементов, что является еще одним способом решения этой проблемы инженерами, и это очень тоже медленно. Таким образом, это совершенно новый способ моделирования того, как материалы терпят неудачу ».

Бюлер подчеркивает, что разрушение материалов является важной информацией для любого инженерного проекта. Отказы материалов, такие как трещины, являются «одной из главных причин потерь в любой отрасли. Для проверки самолетов, поездов или автомобилей, дорог или инфраструктуры, бетона или коррозии стали, или для понимания разрушения биологических тканей, таких как кость, способность моделировать разрушение с помощью ИИ, и делать это быстро и очень эффективно, реальное изменение игры ».

Улучшение скорости, полученное с помощью этого метода, является значительным. Сюй объясняет, что «для одиночного моделирования в молекулярной динамике потребовалось несколько часов, чтобы запустить симуляции, но в этом прогнозе искусственного интеллекта требуется всего 10 миллисекунд, чтобы пройти все прогнозы из паттернов и показать, как трещина формирует шаг шаг за шагом. »

«За последние 30 лет или около того было несколько подходов к моделированию распространения трещин в твердых телах, но это остается огромной и вычислительно дорогой проблемой», - говорит Прадип Гудуру, профессор инженерных наук из Университета Брауна, который не участвовал в этой работе. , «Перенося вычислительные затраты на обучение надежного алгоритма машинного обучения, этот новый подход может потенциально привести к быстрому и недорогому инструменту проектирования, который всегда желателен для практических приложений».

Метод, который они разработали, вполне обобщаем, говорит Бюлер. «Хотя в нашей статье мы применили его только к одному материалу с различной ориентацией кристаллов, вы можете применить эту методологию к гораздо более сложным материалам». И хотя они использовали данные атомистического моделирования, система также могла использоваться для прогнозирования на основе экспериментальных данных, таких как изображения материала, подвергающегося разрыву.

Система может быть применена не только для гидроразрыва пласта, как это сделала команда на этой первоначальной демонстрации, но и для широкого спектра процессов, разворачивающихся с течением времени, говорит он, таких как диффузия одного материала в другой или процессы коррозии.

«В любое время, когда у вас есть эволюция физических полей, и мы хотим знать, как эти поля развиваются в зависимости от микроструктуры», - говорит он, этот метод может быть благом.

Источник: MIT