Sieci neuronowe służą do ponownego przemyślenia projektowania materiałów

Mikrostruktury i właściwości materiałów są ze sobą ściśle powiązane, a ich dostosowywanie jest wyzwaniem. Inżynierowie z Uniwersytetu Rice są zdeterminowani, aby uprościć ten proces poprzez uczenie maszynowe.

W tym celu laboratorium Rice’a Ming Tanga, naukowca zajmującego się materiałami, we współpracy z fizykiem Fei Zhou z Lawrence Livermore National Laboratory, dostarczyło technikę przewidywania ewolucji mikroskopijnych struktur – cech strukturalnych między 10 nanometrami a 100 mikronami – w materiałach.

Ich otwarte badania w czasopiśmie Cell Press Patterns pokazują, w jaki sposób sieci neuronowe (modele komputerowe symulujące neurony w mózgu) mogą nauczyć się przewidywać, w jaki sposób struktura w danym środowisku, taka jak płatek śniegu, powstaje z wilgoci w naturze.

W rzeczywistości dendrytyczne struktury krystaliczne, które przypominają płatek śniegu, były jednym z przykładów laboratorium wykorzystanego w badaniach weryfikujących koncepcję.

„We współczesnej materiałoznawstwie powszechnie przyjmuje się, że mikrostruktura często odgrywa kluczową rolę w kontrolowaniu właściwości materiału” – powiedział Tang. „Chcesz nie tylko kontrolować sposób ułożenia atomów w synapsach, ale także kształt mikrostruktury, aby zapewnić dobre wyniki, a nawet nowe funkcje.

„Święty Graal projektowania materiałów to umiejętność przewidywania, jak mikrostruktura zmieni się w określonych warunkach, niezależnie od tego, czy będziemy ją podgrzewać, wywierać nacisk czy jakikolwiek inny rodzaj bodźca” – powiedział.

Tang pracował nad poprawą przewidywania mikrostruktury przez całą swoją karierę, ale powiedział, że tradycyjne podejście oparte na równaniach napotyka poważne wyzwania, aby umożliwić naukowcom nadążanie za zapotrzebowaniem na nowe materiały.

„Ogromne postępy w uczeniu maszynowym zachęciły Fay z Lawrence Livermore i jesteśmy zachęcani, aby sprawdzić, czy możemy zastosować to do materiałów” – powiedział.

Na szczęście było wiele danych z tradycyjnej metody, które pomogły w trenowaniu sieci neuronowych zespołu, które pokazują wczesny rozwój mikrostruktur, aby przewidzieć następny krok, następny krok itp.

„Właśnie w tym maszyny są naprawdę dobre, widząc połączenie w sposób zbyt złożony, niż może to zrobić ludzki umysł” – powiedział Tang. „Korzystamy z tego.”

Naukowcy przetestowali swoje sieci neuronowe na czterech różnych typach mikrostruktur: rozchodzeniu się fali płaskiej, wzroście ziarna, zwyrodnieniu kręgosłupa i wzroście kryształów dendrytycznych.

W każdym teście do siatek wprowadzono od 1000 do 2000 zestawów 20 kolejnych obrazów pokazujących ewolucję mikrostruktury materiału przewidzianą równaniami. Po zapoznaniu się z regułami ewolucji na podstawie tych danych, siatce dano od 1 do 10 obrazów, aby przewidzieć następne 50 do 200 klatek, zwykle w ciągu kilku sekund.

Zalety nowej technologii szybko stały się oczywiste: sieci neuronowe, obsługiwane przez procesory graficzne, przyspieszyły obliczenia nawet 718 razy dla wzrostu ziarna w porównaniu z poprzednim algorytmem. Po uruchomieniu na standardowym procesorze był nadal 87 razy szybszy niż stara metoda. Przewidywanie innych typów ewolucji mikrostruktury wykazało podobny, choć nie dramatyczny wzrost prędkości.

Tang powiedział, że porównania z obrazami z tradycyjnej symulacji pokazały, że prognozy są w dużej mierze trafne. „Na tej podstawie widzimy, jak możemy zaktualizować parametry, aby przewidywania były dokładniejsze” – powiedział. Następnie możemy użyć tych prognoz, aby pomóc w projektowaniu materiałów, których nigdy wcześniej nie widzieliśmy.

„Kolejną korzyścią jest to, że jest w stanie przewidywać, nawet jeśli nie wiemy wszystkiego o właściwościach materiałów w systemie” – powiedział Tang. „Nie możemy tego zrobić w metodzie opartej na równaniach, która wymaga znajomości wszystkich wartości parametrów w równaniach, aby przeprowadzić symulacje”.

Tang powiedział, że wydajność obliczeń sieci neuronowych może przyspieszyć opracowywanie nowych materiałów. Oczekuje, że będzie to przydatne w jego trwającym projektowaniu laboratorium dla bardziej wydajnych akumulatorów. „Myślimy o nowych strukturach 3D, które pomogą ładować i rozładowywać akumulatory znacznie szybciej niż obecnie” – powiedział Tang. „Jest to idealny problem do poprawy naszego nowego programu nauczania”.