Onderzoekers van de Universiteit van Waterloo hebben een betere manier gevonden om atomaire structuren te identificeren, een essentiële stap in het verbeteren van de materiaalkeuze in de luchtvaart, bouw- en auto-industrie.

De bevindingen van het onderzoek kunnen leiden tot meer vertrouwen bij het bepalen van de integriteit van metalen.

Devinder Kumar, een doctoraat kandidaat in systeemontwerptechniek bij Waterloo, samengewerkt met het Fritz Haber Instituut (FHI) in Berlijn, om een ​​krachtig AI-model te ontwikkelen dat verschillende atomaire structuren in metalen materialen nauwkeurig kan detecteren. Het systeem kan onvolkomenheden in het metaal vinden die voorheen niet detecteerbaar waren.

"Overal waar je metalen hebt, wil je de consistentie weten, en dat kan niet worden gedaan in de huidige praktische scenario's omdat de huidige methoden de symmetrie in onvolmaakte omstandigheden niet kunnen identificeren, " zei Kumar, die lid is van de Vision and Image Processing Research Group onder supervisie van Alexander Wong, een professor aan de Waterloo and Canada Research Chair op het gebied van kunstmatige intelligentie.

"Dus, deze nieuwe methode voor het evalueren van metallisch materiaal zal leiden tot een algemeen beter materiaalontwerp en heeft het potentieel om alle industrieën te beïnvloeden waar u materiaalontwerpeigenschappen nodig heeft."

FHI bedacht een nieuw scenario dat kunstmatig gegevens kan creëren die betrekking hebben op de echte wereld. Kumar en zijn medewerkers waren in staat om dit te gebruiken om ongeveer 80 te genereren, 000 afbeeldingen van de verschillende soorten defecten en verplaatsingen om een ​​zeer effectief AI-model te produceren om verschillende soorten kristalstructuren in praktische scenario's te identificeren. Deze gegevens zijn openbaar gemaakt, zodat mensen hun eigen algoritmen kunnen leren.

"In theorie, alle metalen materialen hebben een perfecte symmetrie, en alle items zijn op de juiste plaats, maar in de praktijk zijn er om verschillende redenen, zoals goedkope fabricage, defecten, "Zei Kumar. "Al deze huidige methoden mislukken wanneer ze proberen de werkelijke ideale structuren te matchen, de meeste van hen falen als er zelfs maar één procent defect is."

"We hebben een op AI gebaseerd algoritme of model gemaakt dat dit soort symmetrieën zelfs tot 40 procent van het defect kan classificeren."

De studie, Inzichtelijke classificatie van kristalstructuren met behulp van deep learning, werd onlangs gepubliceerd in het tijdschrift Natuurcommunicatie .