Lawrence Livermore National Laboratory (LLNL) en zijn partners vertrouwen op de tijdige ontwikkeling en inzet van diverse materialen om een ​​verscheidenheid aan nationale veiligheidsmissies te ondersteunen. Echter, De ontwikkeling en inzet van materialen kan vele jaren duren vanaf de eerste ontdekking van een nieuw materiaal tot aan de inzet op grote schaal.

Een interdisciplinair team van LLNL-onderzoekers van de Physical and Life Sciences, Directoraten Computing en Engineering ontwikkelen technieken voor machine learning om knelpunten in de ontwikkelingscyclus weg te nemen, en op zijn beurt de tijd tot implementatie drastisch verkorten.

Een dergelijk knelpunt is de hoeveelheid inspanning die nodig is om de prestaties van kandidaatmaterialen zoals TATB, een ongevoelig hoog explosief dat van belang is voor zowel het ministerie van Energie als het ministerie van Defensie. TATB-monsters kunnen verschillende kristalkenmerken vertonen (bijv. grootte en textuur) en daarom sterk verschillen in prestatie als gevolg van kleine variaties in de omstandigheden waaronder de synthesereactie plaatsvond.

Het LLNL-team onderzoekt een nieuwe benadering om materiaaleigenschappen te voorspellen. Door computervisie en machine learning toe te passen op basis van scanning-elektronenmicroscopie (SEM) -beelden van onbewerkt TATB-poeder, ze hebben de noodzaak voor fabricage en fysieke testen van een onderdeel vermeden. Het team heeft aangetoond dat het mogelijk is om modellen te trainen om materiaalprestaties te voorspellen op basis van alleen SEM, met een foutenreductie van 24 procent ten opzichte van de huidige leidende aanpak (d.w.z. domein-expert assessment en instrument data). In aanvulling, het team toonde aan dat modellen voor machine learning informatieve kristalattributen kunnen ontdekken en gebruiken, die domeinexperts onderbenut hadden.

Volgens LLNL computerwetenschapper Brian Gallagher, hoofdauteur van een artikel dat verschijnt in het tijdschrift Materials and Design:"Ons doel is niet alleen om materiaalprestaties nauwkeurig te voorspellen, maar om feedback te geven aan experimentatoren over hoe de syntheseomstandigheden kunnen worden gewijzigd om materialen met hogere prestaties te produceren. Deze resultaten brengen ons een stap dichter bij dat doel."

LLNL materiaalwetenschapper Yong Han, hoofdonderzoeker en corresponderende auteur van het artikel, toegevoegd:"Ons werk toont het nut aan van het toepassen van nieuwe benaderingen voor machinaal leren om moeilijke materiaalwetenschappelijke problemen aan te pakken. We zijn van plan dit werk uit te breiden om gegevensschaarste aan te pakken, verklaarbaarheid, onzekerheid en domeinbewuste modelontwikkeling."