Isaac Newton heeft zijn gelijke misschien ontmoet.

Eeuwenlang, ingenieurs hebben vertrouwd op natuurkundige wetten - ontwikkeld door Newton en anderen - om de spanningen en spanningen op de materialen waarmee ze werken te begrijpen. Maar het oplossen van die vergelijkingen kan een rekensom zijn, vooral voor complexe materialen.

MIT-onderzoekers hebben een techniek ontwikkeld om snel bepaalde eigenschappen van een materiaal te bepalen, zoals stress en spanning, gebaseerd op een afbeelding van het materiaal dat de interne structuur laat zien. De aanpak zou op een dag de noodzaak van zware op fysica gebaseerde berekeningen kunnen elimineren, in plaats daarvan vertrouwen op computervisie en machine learning om schattingen in realtime te genereren.

De onderzoekers zeggen dat de vooruitgang snellere ontwerpprototyping en materiaalinspecties mogelijk zou maken. "Het is een geheel nieuwe aanpak, " zegt Zhenze Yang, eraan toevoegend dat het algoritme "het hele proces voltooit zonder enige domeinkennis van de natuurkunde."

Het onderzoek verschijnt vandaag in het tijdschrift wetenschappelijke vooruitgang . Yang is de hoofdauteur van het artikel en een Ph.D. student aan de afdeling Materials Science and Engineering. Co-auteurs zijn onder meer voormalig MIT-postdoc Chi-Hua Yu en Markus Buehler, de McAfee Professor of Engineering en de directeur van het Laboratory for Atomistic and Molecular Mechanics.

Ingenieurs besteden veel tijd aan het oplossen van vergelijkingen. Ze helpen de interne krachten van een materiaal te onthullen, zoals stress en spanning, waardoor dat materiaal kan vervormen of breken. Dergelijke berekeningen kunnen suggereren hoe een voorgestelde brug zich zou houden te midden van zware verkeersbelastingen of harde wind. In tegenstelling tot Sir Isaac, ingenieurs hebben tegenwoordig geen pen en papier nodig voor de taak. "Vele generaties wiskundigen en ingenieurs hebben deze vergelijkingen opgeschreven en vervolgens bedacht hoe ze op computers kunnen worden opgelost. "zegt Buehler. "Maar het blijft een lastig probleem. Het is erg duur - het kan dagen duren, weken, of zelfs maanden om enkele simulaties uit te voeren. Dus, we dachten:laten we een AI leren dit probleem voor je op te lossen."

De onderzoekers wendden zich tot een machine learning-techniek genaamd een Generative Adversarial Neural Network. Ze trainden het netwerk met duizenden gepaarde afbeeldingen - een die de interne microstructuur van een materiaal weergeeft dat onderhevig is aan mechanische krachten, en de andere die de kleurgecodeerde spannings- en rekwaarden van datzelfde materiaal weergeeft. Met deze voorbeelden het netwerk gebruikt principes van speltheorie om iteratief de relaties tussen de geometrie van een materiaal en de resulterende spanningen te achterhalen.

"Dus, van een foto, de computer kan al die krachten voorspellen:de vervormingen, de spanningen, enzovoorts, " zegt Buehler. "Dat is echt de doorbraak - op de conventionele manier, je zou de vergelijkingen moeten coderen en de computer vragen om partiële differentiaalvergelijkingen op te lossen. We gaan gewoon foto naar foto."

Die beeldgebaseerde benadering is vooral voordelig voor complexe, composiet materialen. Krachten op een materiaal kunnen op atomaire schaal anders werken dan op macroscopische schaal. "Als je naar een vliegtuig kijkt, misschien heb je lijm, een metaal, en daartussen een polymeer. Dus, je hebt al die verschillende gezichten en verschillende schalen die de oplossing bepalen, "zegt Buehler. "Als je de moeilijke weg gaat - de Newton manier - moet je een enorme omweg maken om bij het antwoord te komen."

Maar het netwerk van de onderzoeker is bedreven in het omgaan met meerdere schalen. Het verwerkt informatie via een reeks "windingen, " die de beelden op steeds grotere schaal analyseren. "Daarom zijn deze neurale netwerken uitstekend geschikt voor het beschrijven van materiaaleigenschappen, ', zegt Bühler.

Het volledig opgeleide netwerk presteerde goed in tests, het succesvol weergeven van spannings- en rekwaarden aan de hand van een reeks close-upbeelden van de microstructuur van verschillende zachte composietmaterialen. Het netwerk was zelfs in staat om "singulariteiten, " zoals scheuren die zich in een materiaal ontwikkelen. In deze gevallen krachten en velden veranderen snel over kleine afstanden. "Als materiaalwetenschapper je zou willen weten of het model die singulariteiten kan recreëren, "zegt Buehler. "En het antwoord is ja."

De vooruitgang kan "de iteraties die nodig zijn om producten te ontwerpen aanzienlijk verminderen, " volgens Suvranu De, een werktuigbouwkundig ingenieur aan het Rensselaer Polytechnic Institute die niet betrokken was bij het onderzoek. "De end-to-end-aanpak die in dit document wordt voorgesteld, zal een aanzienlijke impact hebben op een verscheidenheid aan technische toepassingen - van composieten die worden gebruikt in de auto- en vliegtuigindustrie tot natuurlijke en technische biomaterialen. Het zal ook belangrijke toepassingen hebben op het gebied van pure wetenschappelijke enquête, omdat kracht een cruciale rol speelt in een verrassend breed scala aan toepassingen, van micro/nano-elektronica tot de migratie en differentiatie van cellen."

Naast het besparen van tijd en geld voor technici, de nieuwe techniek zou niet-experts toegang kunnen geven tot geavanceerde materiaalberekeningen. Architecten of productontwerpers, bijvoorbeeld, konden de levensvatbaarheid van hun ideeën testen alvorens het project door te geven aan een technisch team. "Ze kunnen gewoon hun voorstel tekenen en ontdekken, "zegt Buehler. "Dat is nogal wat."

Eenmaal getraind, het netwerk draait bijna onmiddellijk op computerprocessors van consumentenkwaliteit. Dat zou monteurs en inspecteurs in staat kunnen stellen potentiële problemen met machines te diagnosticeren door simpelweg een foto te maken.

In de nieuwe krant de onderzoekers werkten voornamelijk met composietmaterialen die zowel zachte als brosse componenten bevatten in verschillende willekeurige geometrische arrangementen. Bij toekomstig werk, het team is van plan een breder scala aan materiaalsoorten te gebruiken. "Ik denk echt dat deze methode een enorme impact zal hebben, ", zegt Buehler. "Ingenieurs machtigen met AI is echt wat we hier proberen te doen."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.