Per gli ingegneri che sviluppano nuovi materiali o rivestimenti protettivi, ci sono miliardi di possibilità diverse da risolvere. Test di laboratorio o anche simulazioni al computer dettagliate per determinarne le proprietà esatte, come la durezza, possono volerci ore, giorni, o più per ogni variazione. Ora, un nuovo approccio basato sull'intelligenza artificiale sviluppato al MIT potrebbe ridurlo a una questione di millisecondi, rendendo pratico lo screening di vaste matrici di materiali candidati.

Il sistema, che i ricercatori del MIT sperano possa essere utilizzato per sviluppare rivestimenti protettivi o materiali strutturali più resistenti, ad esempio per proteggere aerei o veicoli spaziali dagli impatti—è descritto in un articolo sulla rivista Questione , dal postdoc del MIT Chi-Hua Yu, professore di ingegneria civile e ambientale e capo dipartimento Markus J. Buehler, e Yu-Chuan Hsu alla National Taiwan University.

Il focus di questo lavoro era sulla previsione del modo in cui un materiale si sarebbe rotto o fratturato, analizzando la propagazione delle cricche attraverso la struttura molecolare del materiale. Buehler e i suoi colleghi hanno trascorso molti anni a studiare le fratture e altre modalità di guasto in modo molto dettagliato, poiché la comprensione dei processi di guasto è la chiave per sviluppare solide, materiali affidabili. "Una delle specialità del mio laboratorio è usare quelle che chiamiamo simulazioni di dinamica molecolare, o fondamentalmente simulazioni atomo per atomo" di tali processi, dice Buehler.

Queste simulazioni forniscono una descrizione chimicamente accurata di come avviene la fratturazione, lui dice. Ma è lento, perché richiede la risoluzione di equazioni del moto per ogni singolo atomo. "Ci vuole molto tempo per simulare questi processi, " dice. Il team ha deciso di esplorare modi per snellire quel processo, utilizzando un sistema di apprendimento automatico.

"Stiamo facendo una deviazione, " dice. "Abbiamo chiesto, e se avessi solo l'osservazione di come avviene la frattura [in un dato materiale], e lasciare che i computer imparino da soli questa relazione?" Per farlo, i sistemi di intelligenza artificiale (AI) necessitano di una varietà di esempi da utilizzare come set di addestramento, per conoscere le correlazioni tra le caratteristiche del materiale e le sue prestazioni.

In questo caso, stavano guardando una varietà di compositi, rivestimenti stratificati realizzati con materiali cristallini. Le variabili includevano la composizione degli strati e i relativi orientamenti delle loro ordinate strutture cristalline, e il modo in cui questi materiali hanno risposto alla frattura, sulla base delle simulazioni di dinamica molecolare. "Fondamentalmente simuliamo, atomo per atomo, come si rompono i materiali, e registriamo tali informazioni, " dice Buehler.

Hanno faticosamente generato centinaia di tali simulazioni, con un'ampia varietà di strutture, e sottoposto ciascuno a molte diverse fratture simulate. Quindi hanno inserito grandi quantità di dati su tutte queste simulazioni nel loro sistema di intelligenza artificiale, per vedere se poteva scoprire i principi fisici sottostanti e prevedere le prestazioni di un nuovo materiale che non faceva parte del set di allenamento.

E lo ha fatto. "Questa è la cosa davvero eccitante, "Buehler dice, "perché la simulazione al computer tramite l'intelligenza artificiale può fare ciò che normalmente richiede molto tempo utilizzando la dinamica molecolare, o utilizzando simulazioni agli elementi finiti, che sono un altro modo in cui gli ingegneri risolvono questo problema, ed è anche molto lento. Così, questo è un modo completamente nuovo di simulare il fallimento dei materiali."

Il modo in cui i materiali si guastano è un'informazione cruciale per qualsiasi progetto di ingegneria, Buehler sottolinea. I guasti dei materiali come le fratture sono "uno dei principali motivi di perdite in qualsiasi settore. Per l'ispezione di aerei, treni o automobili, o per strade o infrastrutture, o cemento, o corrosione dell'acciaio, o per comprendere la frattura di tessuti biologici come l'osso, la capacità di simulare la frattura con l'intelligenza artificiale, e farlo in modo rapido ed efficiente, è un vero punto di svolta".

Il miglioramento della velocità prodotto utilizzando questo metodo è notevole. Hsu spiega che "per singole simulazioni in dinamica molecolare, ci sono volute diverse ore per eseguire le simulazioni, ma in questa previsione dell'intelligenza artificiale, ci vogliono solo 10 millisecondi per passare attraverso tutte le previsioni dai modelli, e mostra come si forma una crepa passo dopo passo."

Il metodo che hanno sviluppato è abbastanza generalizzabile, dice Buehler. "Anche se nel nostro articolo l'abbiamo applicato solo a un materiale con diversi orientamenti dei cristalli, puoi applicare questa metodologia a materiali molto più complessi." E mentre usavano i dati delle simulazioni atomistiche, il sistema potrebbe essere utilizzato anche per fare previsioni sulla base di dati sperimentali come immagini di un materiale in fase di fratturazione.

"Se avessimo un nuovo materiale che non abbiamo mai simulato prima, " lui dice, "se abbiamo molte immagini del processo di fratturazione, possiamo inserire quei dati anche nel modello di apprendimento automatico." Qualunque sia l'input, simulato o sperimentale, il sistema di intelligenza artificiale passa essenzialmente attraverso il processo in evoluzione fotogramma per fotogramma, notare come ogni immagine differisca da quella precedente per apprendere le dinamiche sottostanti.

Per esempio, mentre i ricercatori utilizzano le nuove strutture in MIT.nano, la struttura dell'Istituto dedicata alla fabbricazione e al collaudo di materiali su scala nanometrica, verranno generate grandi quantità di nuovi dati su una varietà di materiali sintetizzati.

"Poiché abbiamo sempre più tecniche sperimentali ad alto rendimento in grado di produrre molte immagini molto rapidamente, in modo automatizzato, questo tipo di fonti di dati può essere immediatamente inserito nel modello di apprendimento automatico, " dice Buehler. "Pensiamo davvero che il futuro sarà quello in cui avremo molta più integrazione tra esperimento e simulazione, molto più di quanto abbiamo fatto in passato".

Il sistema potrebbe essere applicato non solo alla fratturazione, come ha fatto il team in questa dimostrazione iniziale, ma a un'ampia varietà di processi che si svolgono nel tempo, lui dice, come la diffusione di un materiale in un altro, o processi di corrosione. "Ogni volta che hai evoluzioni di campi fisici, e vogliamo sapere come evolvono questi campi in funzione della microstruttura, " lui dice, questo metodo potrebbe essere un vantaggio.