Onderzoekers van Tampere University of Technology en Aalto University leerden machine learning-algoritmen om te voorspellen hoe materialen uitrekken. Deze nieuwe toepassing van machine learning opent nieuwe mogelijkheden in de natuurkunde en mogelijke toepassingen zijn te vinden in het ontwerp van nieuwe optimale materialen. De studie is gepubliceerd in het prestigieuze tijdschrift Natuurcommunicatie .

De meeste reguliere objecten hebben de neiging om 'gelijkmatig' uit te rekken, dat het:wetenschappers kunnen voorspellen hoeveel kracht er nodig is om een ​​materiaal over een bepaalde afstand uit te rekken. Recente experimenten hebben aangetoond dat deze voorspellingen op micrometerschaal geen stand houden. Het uitrekken van microscopisch kleine kristallen gebeurt in discrete bursts met een zeer brede grootteverdeling. Omdat de uitbarstingen sporadisch voorkomen, schijnbaar identieke monsters op microschaal kunnen op zeer verschillende manieren worden uitgerekt. Deze variabiliteit van de sterkte-eigenschappen van de monsters vormt een uitdaging voor de ontwikkeling van nieuwe materialen met gewenste eigenschappen. In hun artikel "Machine learning plastische vervorming van kristallen", gepubliceerd in Natuurcommunicatie , de onderzoekers gebruiken machine learning om de kenmerken van individuele monsters te voorspellen.

"De machine learning-algoritmen zijn erin geslaagd te meten hoe voorspelbaar het rekproces van kleine kristallijne monsters is. Dit zou praktisch onmogelijk zijn geweest met traditionele middelen, maar machine learning maakt de ontdekking van nieuwe en interessante resultaten mogelijk, ", legt universitair hoofddocent Lasse Laurson van het Laboratorium voor Natuurkunde van de Tampere University of Technology uit.

De onomkeerbare plastische vervorming van kristallijne stoffen treedt op wanneer kristallografische defecten, dislocaties genoemd, verplaatsen van de ene locatie in het kristal naar de andere. Kristallijne materialen, zoals metalen of ijs bevatten bijna altijd netwerken van dislocaties, waarbij elk kristal zijn eigen netwerk bevat.

De onderzoekers trainden machine learning-algoritmen om het verband te herkennen tussen de microscopische structuur van een object en de hoeveelheid kracht die nodig is om een ​​monster uit te rekken. De studie onthulde, onder andere, dat de voorspelbaarheid van de hoeveelheid benodigde kracht verandert bij het uitrekken van het monster:in het begin, het wordt moeilijker om de benodigde kracht te voorspellen naarmate de rek groter wordt, die grotendeels afhangt van de sporadische aard van de rekuitbarstingen. Verrassend genoeg, echter, voorspelbaarheid verbetert naarmate het stuk blijft groeien. Grootte heeft ook invloed op de voorspelbaarheid:het is gemakkelijker om het vervormingsproces van grotere kristallen te voorspellen dan kleinere.

"Als het stuk groeit, het aantal bursts neemt af, waardoor de voorspelbaarheid verbetert. Dit is veelbelovend in termen van het voorspellen van de opbrengst van individuele monsters, wat een hoofddoel is in de materiaalfysica, " zegt Henri Salmenjoki, promovendus bij de afdeling Technische Natuurkunde van Aalto University.

"Ons onderzoek geeft aan dat machine learning kan worden gebruikt om zeer complexe en niet-lineaire fysieke processen te voorspellen. Naast de ontwikkeling van optimale materialen, mogelijke toepassingen zijn te vinden in de voorspelling van dynamiek van veel andere complexe systemen, ’ legt Lausson uit.