De microscopische structuren en eigenschappen van materialen zijn nauw met elkaar verbonden, en het aanpassen ervan is een uitdaging. Ingenieurs van Rice University zijn vastbesloten om het proces te vereenvoudigen door middel van machine learning.

Daartoe, het Rice-lab van materiaalwetenschapper Ming Tang, in samenwerking met natuurkundige Fei Zhou van het Lawrence Livermore National Laboratory, introduceerde een techniek om de evolutie van microstructuren - structurele kenmerken tussen 10 nanometer en 100 micron - in materialen te voorspellen.

Hun open access paper in het tijdschrift Cell Press Patronen laat zien hoe neurale netwerken (computermodellen die de neuronen van de hersenen nabootsen) zichzelf kunnen trainen om te voorspellen hoe een structuur zal groeien onder een bepaalde omgeving, net zoals een sneeuwvlok ontstaat uit vocht in de natuur.

In feite, sneeuwvlokachtig, dendritische kristalstructuren waren een van de voorbeelden die het lab gebruikte in zijn proof-of-concept-onderzoek.

"In de moderne materiaalwetenschap, het is algemeen aanvaard dat de microstructuur vaak een cruciale rol speelt bij het beheersen van de eigenschappen van een materiaal, Tang zei. "Je wilt niet alleen bepalen hoe de atomen op roosters zijn gerangschikt, maar ook hoe de microstructuur eruit ziet, om u goede prestaties en zelfs nieuwe functionaliteit te geven.

"De heilige graal van het ontwerpen van materialen is om te kunnen voorspellen hoe een microstructuur onder bepaalde omstandigheden zal veranderen, of we het nu opwarmen of stress of een ander soort stimulatie toepassen, " hij zei.

Tang heeft zijn hele carrière gewerkt aan het verfijnen van de voorspelling van microstructuren, maar zei dat de traditionele, op vergelijkingen gebaseerde benadering voor aanzienlijke uitdagingen staat om wetenschappers in staat te stellen de vraag naar nieuwe materialen bij te houden.

"De enorme vooruitgang in machine learning moedigde Fei van Lawrence Livermore en ons aan om te zien of we het op materialen konden toepassen, " hij zei.

Gelukkig, er waren veel gegevens van de traditionele methode om de neurale netwerken van het team te trainen, die de vroege evolutie van microstructuren bekijken om de volgende stap te voorspellen, en de volgende, enzovoort.

"Dit is waar machines goed in zijn, de correlatie op een zeer complexe manier zien waar de menselijke geest niet toe in staat is, ' zei Tang. 'Daar profiteren we van.'

De onderzoekers testten hun neurale netwerken op vier verschillende soorten microstructuren:vlakke golfvoortplanting, graan groei, spinodale ontbinding en dendritische kristalgroei.

Bij elke proef wordt de netwerken werden gevoed tussen 1, 000 en 2, 000 sets van 20 opeenvolgende afbeeldingen die de evolutie van de microstructuur van een materiaal illustreren zoals voorspeld door de vergelijkingen. Na het leren van de evolutieregels van deze gegevens, het netwerk kreeg vervolgens 1 tot 10 afbeeldingen om de volgende 50 tot 200 frames te voorspellen, en meestal deed dit in seconden.

De voordelen van de nieuwe techniek werden snel duidelijk:de neurale netwerken, aangedreven door grafische processors, versnelde de berekeningen tot 718 keer voor graangroei, vergeleken met het vorige algoritme. Wanneer uitgevoerd op een standaard centrale processor, ze waren nog steeds tot 87 keer sneller dan de oude methode. De voorspelling van andere soorten microstructuurevolutie toonde vergelijkbare, hoewel niet zo dramatisch, snelheid neemt toe.

Vergelijkingen met afbeeldingen uit de traditionele simulatiemethode wezen uit dat de voorspellingen grotendeels klopten, zei Tang. "Gebaseerd op dat, we zien hoe we de parameters kunnen bijwerken om de voorspelling steeds nauwkeuriger te maken, " zei hij. "Dan kunnen we deze voorspellingen gebruiken om materialen te ontwerpen die we nog niet eerder hebben gezien.

"Een ander voordeel is dat het voorspellingen kan doen, zelfs als we niet alles weten over de materiaaleigenschappen in een systeem, Tang zei. "We zouden dat niet kunnen doen met de op vergelijkingen gebaseerde methode, die alle parameterwaarden in de vergelijkingen moet kennen om simulaties uit te voeren."

Tang zei dat de rekenefficiëntie van neurale netwerken de ontwikkeling van nieuwe materialen zou kunnen versnellen. Hij verwacht dat dit nuttig zal zijn bij het doorlopende ontwerp van efficiëntere batterijen in zijn laboratorium. "We denken aan nieuwe driedimensionale structuren die helpen om batterijen veel sneller op te laden en te ontladen dan wat we nu hebben, Tang zei. "Dit is een optimalisatieprobleem dat perfect is voor onze nieuwe aanpak."