Para los ingenieros que desarrollan nuevos materiales o recubrimientos protectores, existen miles de millones de opciones diferentes para la clasificación. Las pruebas de laboratorio o incluso simulaciones por computadora detalladas para determinar sus propiedades exactas, como la resistencia, pueden llevar horas, días o más para cada variación. Ahora, un nuevo enfoque basado en la inteligencia artificial desarrollado en el MIT podría reducirlo a una cuestión de milisegundos, haciendo que sea práctico seleccionar grandes conjuntos de materiales candidatos.

El sistema, que los investigadores del MIT esperan que pueda usarse para desarrollar recubrimientos protectores más fuertes o materiales estructurales, por ejemplo, para proteger a las aeronaves o naves espaciales de los golpes, se describe en un artículo publicado en la revista. Importar, por el postdoctorado MIT Chi-Hua Yu, Profesor de Ingeniería Civil y Ambiental y Jefe del Departamento Markus J. Buehler, y Yu-Chuan Hsu en la Universidad Nacional de Taiwán.

El enfoque de este trabajo ha sido predecir cómo se rompería o rompería un material, analizando la propagación de grietas a través de la estructura molecular del material. Buehler y sus colegas han estudiado fracturas y otros modos de falla en detalle durante años, porque comprender los procesos de falla es clave para desarrollar materiales robustos y confiables. «Una de las especialidades de mi laboratorio es usar lo que llamamos simulaciones de dinámica molecular, o simulaciones de átomo por átomo», dice Buehler.

Estas simulaciones proporcionan una descripción químicamente precisa de cómo ocurren las fracturas, dice. Pero es lento, porque tiene que resolver ecuaciones de movimiento para cada átomo. «Se necesita mucho tiempo para simular estos procesos», dice. El equipo decidió explorar formas de racionalizar ese proceso utilizando un sistema de aprendizaje automático.

«Estamos haciendo una especie de desvío», dice. «Nos preguntamos qué pasaría si solo pudieras observar cómo ocurren las fracturas [in a given material]y dejar que las computadoras aprendan esta relación por sí mismas? Para hacer eso, los sistemas de inteligencia artificial (IA) necesitan varios ejemplos para usar como un conjunto de entrenamiento, para aprender más sobre las correlaciones entre las características del material y su rendimiento.

En este caso, observaron una variedad de revestimientos compuestos en capas hechos de materiales cristalinos. Las variables incluían la composición de las capas y las orientaciones relativas de sus estructuras cristalinas ordenadas, y la forma en que esos materiales respondían a las fracturas en función de las simulaciones de la dinámica molecular. «En realidad estamos simulando átomo por átomo cómo se rompen los materiales, y registramos esa información», dice Buehler.

El equipo utilizó el átomo para simulaciones atómicas para determinar cómo se propagan las grietas a través de diferentes materiales. Esta animación muestra tal simulación, en la cual la grieta se propaga por completo.

Generaron meticulosamente cientos de tales simulaciones, con una amplia variedad de estructuras, y las sometieron a muchas fracciones simuladas diferentes. Luego ingresaron grandes cantidades de datos en todas estas simulaciones en su sistema de IA para ver si podía descubrir los principios físicos subyacentes y predecir el rendimiento de un nuevo material que no era parte del conjunto de entrenamiento.

Y lo hizo. «Eso es realmente emocionante», dice Buehler, «porque la simulación por computadora se puede hacer a través de la IA, que normalmente lleva mucho tiempo usando dinámicas moleculares o simulaciones de elementos finitos, que es otra forma en que los ingenieros resuelven este problema, y ​​es muy lento, así que esta es una forma completamente nueva de simular cómo fallan los materiales «.

Buehler enfatiza que los materiales fallan es información crucial para cualquier proyecto de ingeniería. Los defectos materiales como las roturas son “una de las principales razones de pérdidas en cualquier industria. Para inspeccionar aviones o trenes o automóviles, o para carreteras o infraestructura, o corrosión de concreto o acero, o para comprender la fractura de tejidos biológicos como huesos, la capacidad de simular fracciones con IA es rápida y muy eficiente. hazlo, un verdadero cambio de juego. «

La mejora de la velocidad producida por este método es notable. Hsu explica que «para algunas simulaciones de dinámica molecular, se necesitaron varias horas para ejecutar las simulaciones, pero en esta predicción de inteligencia artificial solo se necesitan 10 milisegundos para pasar por todas las predicciones de los patrones y mostrar cómo un crack Un paso se forma paso a paso. ‘

«En los últimos 30 años, ha habido múltiples enfoques para modelar la propagación de grietas sólidas, pero sigue siendo un problema formidable y computacionalmente costoso», dijo Pradeep Guduru, profesor de ingeniería en la Universidad de Brown que no participó en este trabajo. «Al cambiar los costos de la computadora a la capacitación de un algoritmo robusto de aprendizaje automático, este nuevo enfoque podría resultar en una herramienta de diseño rápida y computacionalmente económica, que siempre es deseable para aplicaciones prácticas».

El método que desarrollaron es bastante común, dice Buehler. «Aunque lo hemos aplicado a un solo material con diferentes orientaciones de cristal en nuestro artículo, puede aplicar esta metodología a materiales mucho más complejos». Y aunque usaron datos de simulaciones atómicas, el sistema también podría usarse para hacer predicciones basadas en datos experimentales, como imágenes de un material que sufre fractura.

«Si tuviéramos material nuevo que nunca hemos simulado antes», dice, «si tenemos muchas imágenes del proceso de fractura, también podemos ingresar esos datos en el modelo de aprendizaje automático». Cualquiera que sea la entrada, simulada o experimental, el sistema de IA esencialmente pasa por el proceso de evolución cuadro por cuadro, notando cómo cada imagen difiere de la anterior para aprender la dinámica subyacente.

Por ejemplo, si los investigadores aprovechan las nuevas instalaciones en MIT.nano, la instalación del Instituto dedicada a la fabricación y prueba de materiales a nanoescala, se generarán enormes cantidades de datos nuevos en una variedad de materiales sintetizados.

«A medida que tenemos más y más técnicas experimentales de alto rendimiento que pueden producir muchas imágenes muy rápidamente, de manera automatizada, este tipo de fuentes de datos se pueden alimentar de inmediato al modelo de aprendizaje automático», dijo Buehler. «Realmente creemos que el futuro será uno donde tendremos mucha más integración entre el experimento y la simulación, mucho más que en el pasado».

El sistema puede aplicarse no solo a fracturas, como lo hizo el equipo en esta primera demostración, sino también a una amplia variedad de procesos que se desarrollan con el tiempo, dice, como la difusión de un material a otro o procesos de corrosión. «Cada vez que tienes evoluciones de campos físicos, y queremos saber cómo evolucionan estos campos en función de la microestructura», dice, este método podría ser una bendición.

El estudio fue apoyado por la Oficina de Investigación Naval de los Estados Unidos y la Oficina de Investigación del Ejército.



Source link