Wetenschappers van Lawrence Livermore National Laboratory (LLNL) hebben een stap voorwaarts gezet in het ontwerp van toekomstige materialen met verbeterde prestaties door de microstructuur ervan te analyseren met behulp van AI.

Het werk verscheen onlangs online in het tijdschrift Computational Materials Science .

Technologische vooruitgang in materiaalwetenschappelijke toepassingen die elektronische, biomedisch, alternatieve energie, elektrolyt, katalysatorontwerp en verder wordt vaak gehinderd door een gebrek aan begrip van complexe relaties tussen de onderliggende materiaalmicrostructuur en de prestaties van het apparaat. Maar AI-gestuurde data-analyse biedt kansen die materiaalontwerp en -optimalisatie kunnen versnellen door de correlaties tussen verwerking en prestatie op een wiskundig hanteerbare manier op te helderen.

Recente ontwikkelingen in op kunstmatige-neurale netwerken gebaseerde "deep learning"-methoden hebben een revolutie teweeggebracht in het proces van het ontdekken van dergelijke ingewikkelde relaties met behulp van de onbewerkte gegevens zelf. Echter, om grote netwerken betrouwbaar te trainen heb je data nodig van tienduizenden samples, die, is helaas vaak onbetaalbaar in nieuwe systemen en nieuwe toepassingen vanwege de kosten van monstervoorbereiding en gegevensverzameling. In situaties als deze, innovatieve algoritmen zijn nodig om de meest geschikte "kenmerken" of "descriptoren" uit de ruwe experimentele karakteriseringsgegevens te extraheren.

Als voorbeeld, polymeergebonden explosieven vormen een belangrijk materiaalsysteem waarvan de 3-D bifasische microstructuur:(1) sterk kan variëren, afhankelijk van verwerkingsparameters zoals hoogenergetische deeltjesmorfologie en grootteverdeling, bindmiddel inhoud, oplosmiddelen/roersnelheden, dringende krachten, temperatuur, enzovoort.; (2) evolueren door materiaalveroudering op lange termijn onder wisselende omgevingsomstandigheden; en (3) variatie in prestaties weergeven als een functie van de microstructuur en leeftijd van het monster.

Hoewel elke 3D-microstructuur niet-destructief kan worden afgebeeld met röntgen-CT-scans (op meerdere tijdstippen), het proces van gegevensverzameling is tijdrovend en duur, wat het aantal monsters beperkt tot meestal slechts een paar honderd. De uitdaging is om zo goed mogelijk gebruik te maken van dergelijke beperkte gegevens om eventuele correlaties tussen proces-microstructuur-prestaties te ontdekken, trends op het gebied van veroudering op lange termijn te kwantificeren, microschaalinzichten bieden in op fysica gebaseerde simulatiecodes, en ontwerp toekomstige materialen met verbeterde prestaties.

Een team van LLNL-materiaalwetenschappers en datavisualisatiewetenschappers van LLNL en de Universiteit van Utah gebruikte recent ontwikkelde methoden in scalaire veldtopologie en Morse-theorie om nuttige samenvattende kenmerken zoals "korreltelling" en "interne grensoppervlak" uit de ruwe Röntgen-CT-gegevens.

Deze kenmerkvariabelen werden vervolgens geanalyseerd met behulp van een verscheidenheid aan statistische machine learning-technieken, waardoor het team:(1) objectief onderscheid kon maken tussen verschillende microstructuren die het gevolg zijn van verwerkingsverschillen; (2) systematisch volgen microstructuur-evolutie onder veroudering; en (3) microstructuurafhankelijke prestatiemodellen bouwen.

"Met een grotere nadruk op AI-geïnspireerd datacentrisch onderzoek, het paradigma van hoe we modelbouw en materiaalontdekking benaderen, verandert snel, " volgens hoofdauteur Amitesh Maiti. "Het tempo en de kwaliteit van de vooruitgang hangen van cruciaal belang af van dergelijke multi-teamsamenwerkingen die complementaire kennis en vaardigheden samenbrengen."

In de woorden van projecthoofdonderzoeker Richard Gee:"De ontwikkeling en toepassing van deze methoden bieden de middelen om complexe effecten van verwerkingsparameters en veroudering op de prestaties van voorraadrelevante materialen te identificeren. De resulterende inzichten moeten optimalisatie van het ontwerp van componenten en de voorspelling van door leeftijd veroorzaakte verandering in prestaties op lange termijn, wat van grote waarde is voor verbeterde bewakingspraktijken."