Il Lawrence Livermore National Laboratory (LLNL) e i suoi partner si affidano allo sviluppo e alla distribuzione tempestivi di materiali diversi per supportare una varietà di missioni di sicurezza nazionale. Però, lo sviluppo e la distribuzione dei materiali possono richiedere molti anni dalla scoperta iniziale di un nuovo materiale alla distribuzione su larga scala.

Un team interdisciplinare di ricercatori LLNL delle scienze fisiche e della vita, Le direzioni Informatica e Ingegneria stanno sviluppando tecniche di apprendimento automatico per rimuovere i colli di bottiglia nel ciclo di sviluppo, e, a sua volta, diminuendo drasticamente i tempi di implementazione.

Uno di questi colli di bottiglia è la quantità di sforzo richiesta per testare e valutare le prestazioni dei materiali candidati come TATB, un alto esplosivo insensibile di interesse sia per il Dipartimento dell'Energia che per il Dipartimento della Difesa. I campioni TATB possono presentare diverse caratteristiche dei cristalli (ad es. dimensione e consistenza) e quindi differiscono notevolmente nelle prestazioni a causa di leggere variazioni nelle condizioni in cui si è verificata la reazione di sintesi.

Il team LLNL sta esaminando un nuovo approccio per prevedere le proprietà dei materiali. Applicando la visione artificiale e l'apprendimento automatico basati su immagini di microscopia elettronica a scansione (SEM) di polvere TATB grezza, hanno evitato la necessità di fabbricazione e collaudo fisico di una parte. Il team ha dimostrato che è possibile addestrare modelli per prevedere le prestazioni dei materiali in base al solo SEM, dimostrando una riduzione dell'errore del 24% rispetto all'attuale approccio leader (cioè, valutazione di esperti del settore e dati strumentali). Inoltre, il team ha dimostrato che i modelli di apprendimento automatico possono scoprire e utilizzare attributi di cristalli informativi, quali esperti di dominio avevano sottoutilizzato.

Secondo lo scienziato informatico LLNL Brian Gallagher, autore principale di un articolo apparso sulla rivista Materials and Design:"Il nostro obiettivo non è solo prevedere con precisione le prestazioni dei materiali, ma per fornire feedback agli sperimentatori su come alterare le condizioni di sintesi per produrre materiali ad alte prestazioni. Questi risultati ci avvicinano di un passo a questo obiettivo".

Lo scienziato dei materiali LLNL Yong Han, ricercatore principale e corrispondente autore dell'articolo, ha aggiunto:"Il nostro lavoro dimostra l'utilità di applicare nuovi approcci di apprendimento automatico per affrontare difficili problemi di scienza dei materiali. Abbiamo in programma di espandere questo lavoro per affrontare la scarsità di dati, spiegabilità, incertezza e sviluppo di modelli sensibili al dominio."