Voor ingenieurs die nieuwe materialen of beschermende coatings ontwikkelen, er zijn miljarden verschillende mogelijkheden om te sorteren. Labtests of zelfs gedetailleerde computersimulaties om hun exacte eigenschappen te bepalen, zoals taaiheid, kan uren duren, dagen, of meer voor elke variatie. Nutsvoorzieningen, een nieuwe op kunstmatige intelligentie gebaseerde benadering die is ontwikkeld aan het MIT, zou dat kunnen verminderen tot een kwestie van milliseconden, waardoor het praktisch is om grote hoeveelheden kandidaat-materiaal te screenen.

Het systeem, waarvan MIT-onderzoekers hopen dat ze kunnen worden gebruikt om sterkere beschermende coatings of structurele materialen te ontwikkelen, bijvoorbeeld om vliegtuigen of ruimtevaartuigen te beschermen tegen botsingen - wordt beschreven in een artikel in het tijdschrift Materie , door MIT-postdoc Chi-Hua Yu, hoogleraar civiele techniek en milieutechniek en afdelingshoofd Markus J. Buehler, en Yu-Chuan Hsu aan de National Taiwan University.

De focus van dit werk lag op het voorspellen van de manier waarop een materiaal zou breken of breken, door de voortplanting van scheuren door de moleculaire structuur van het materiaal te analyseren. Buehler en zijn collega's hebben jarenlang breuken en andere faalwijzen tot in detail bestudeerd, omdat het begrijpen van faalprocessen de sleutel is tot het ontwikkelen van robuuste, betrouwbare materialen. "Een van de specialiteiten van mijn lab is het gebruik van wat we moleculaire dynamica-simulaties noemen, of eigenlijk atoom-voor-atoom simulaties" van dergelijke processen, zegt Bühler.

Deze simulaties geven een chemisch nauwkeurige beschrijving van hoe breuk plaatsvindt, hij zegt. Maar het is traag, omdat het het oplossen van bewegingsvergelijkingen voor elk atoom vereist. "Het kost veel tijd om deze processen te simuleren, " zegt hij. Het team besloot manieren te zoeken om dat proces te stroomlijnen, met behulp van een machine learning-systeem.

"We maken een soort omweg, "zegt hij. "We hebben gevraagd, wat als je alleen maar had waargenomen hoe breuk optreedt [in een bepaald materiaal], en computers deze relatie zelf te laten leren?" Om dat te doen, systemen voor kunstmatige intelligentie (AI) hebben een verscheidenheid aan voorbeelden nodig om als trainingsset te gebruiken, om meer te weten te komen over de correlaties tussen de eigenschappen van het materiaal en de prestaties ervan.

In dit geval, ze keken naar een verscheidenheid aan composieten, gelaagde coatings gemaakt van kristallijne materialen. De variabelen omvatten de samenstelling van de lagen en de relatieve oriëntaties van hun geordende kristalstructuren, en de manier waarop die materialen elk reageerden op breuken, gebaseerd op de moleculaire dynamica-simulaties. "We simuleren eigenlijk atoom voor atoom, hoe materialen breken, en we registreren die informatie, ' zegt Bühler.

Ze hebben nauwgezet honderden van dergelijke simulaties gegenereerd, met een grote verscheidenheid aan structuren, en elk onderworpen aan veel verschillende gesimuleerde breuken. Vervolgens voerden ze grote hoeveelheden gegevens over al deze simulaties in hun AI-systeem, om te zien of het de onderliggende fysieke principes kon ontdekken en de prestaties kon voorspellen van een nieuw materiaal dat geen deel uitmaakte van de trainingsset.

En dat deed het. "Dat is juist het spannende, "Bühler zegt, "omdat de computersimulatie via AI kan doen wat normaal gesproken erg lang duurt met behulp van moleculaire dynamica, of met behulp van eindige-elementensimulaties, wat een andere manier is waarop ingenieurs dit probleem oplossen, en het is ook erg traag. Dus, dit is een geheel nieuwe manier om te simuleren hoe materialen falen."

Hoe materialen falen is cruciale informatie voor elk technisch project, Bühler benadrukt. Materiaalstoringen zoals breuken zijn "een van de grootste redenen voor verliezen in elke branche. Voor het inspecteren van vliegtuigen, treinen of auto's, of voor wegen of infrastructuur, of beton, of staalcorrosie, of om de breuk van biologische weefsels zoals bot, de mogelijkheid om breuken te simuleren met AI, en dat snel en zeer efficiënt doet, is een echte gamechanger."

De snelheidsverbetering die door het gebruik van deze methode wordt geproduceerd, is opmerkelijk. Hsu legt uit dat "voor enkele simulaties in moleculaire dynamica, het heeft enkele uren geduurd om de simulaties uit te voeren, maar in deze voorspelling van kunstmatige intelligentie, het duurt slechts 10 milliseconden om alle voorspellingen van de patronen te doorlopen, en laat zien hoe stap voor stap een scheur ontstaat."

De methode die ze ontwikkelden is vrij generaliseerbaar, zegt Bühler. "Hoewel we het in ons artikel slechts op één materiaal met verschillende kristaloriëntaties hebben toegepast, je kunt deze methodologie toepassen op veel complexere materialen." En hoewel ze gegevens uit atomistische simulaties gebruikten, het systeem zou ook kunnen worden gebruikt om voorspellingen te doen op basis van experimentele gegevens, zoals afbeeldingen van een materiaal dat breuk ondergaat.

"Als we een nieuw materiaal hadden dat we nog nooit eerder hebben gesimuleerd, " hij zegt, "Als we veel beelden hebben van het breekproces, we kunnen die gegevens ook in het machine learning-model invoeren." Wat de input ook is, gesimuleerd of experimenteel, het AI-systeem doorloopt in wezen het evoluerende proces frame voor frame, opmerken hoe elk beeld verschilt van het vorige om de onderliggende dynamiek te leren.

Bijvoorbeeld, terwijl onderzoekers gebruik maken van de nieuwe faciliteiten in MIT.nano, de faciliteit van het Instituut die zich toelegt op het vervaardigen en testen van materialen op nanoschaal, enorme hoeveelheden nieuwe gegevens over een verscheidenheid aan gesynthetiseerde materialen zullen worden gegenereerd.

"Omdat we steeds meer experimentele technieken met een hoge doorvoer hebben die heel snel veel afbeeldingen kunnen produceren, op een geautomatiseerde manier, dit soort gegevensbronnen kunnen direct in het machine learning-model worden ingevoerd, " zegt Buehler. "We denken echt dat de toekomst er een zal zijn waarin we veel meer integratie hebben tussen experiment en simulatie, veel meer dan we in het verleden hebben gedaan."

Het systeem kan niet alleen worden toegepast op het breken, zoals het team deed in deze eerste demonstratie, maar voor een grote verscheidenheid aan processen die zich in de loop van de tijd ontvouwen, hij zegt, zoals diffusie van het ene materiaal in het andere, of corrosieprocessen. "Elke keer waar je evoluties van fysieke velden hebt, en we willen weten hoe deze velden evolueren als functie van de microstructuur, " hij zegt, deze methode kan een zegen zijn.