Gli scienziati del Lawrence Livermore National Laboratory (LLNL) hanno fatto un passo avanti nella progettazione di materiali futuri con prestazioni migliorate analizzando la sua microstruttura utilizzando l'intelligenza artificiale.

Il lavoro è apparso di recente online sulla rivista Scienza computazionale dei materiali .

Progresso tecnologico nelle applicazioni della scienza dei materiali che spaziano dall'elettronica, biomedico, energia alternativa, elettrolita, la progettazione del catalizzatore e oltre è spesso ostacolata dalla mancanza di comprensione delle complesse relazioni tra la microstruttura del materiale sottostante e le prestazioni del dispositivo. Ma l'analisi dei dati basata sull'intelligenza artificiale offre opportunità che possono accelerare la progettazione e l'ottimizzazione dei materiali, chiarendo le correlazioni di elaborazione-prestazioni in modo matematicamente trattabile.

I recenti sviluppi nei metodi di "apprendimento profondo" basati su reti neurali artificiali hanno rivoluzionato il processo di scoperta di tali intricate relazioni utilizzando i dati grezzi stessi. Però, per addestrare in modo affidabile grandi reti sono necessari dati da decine di migliaia di campioni, quale, purtroppo è spesso proibitivo in nuovi sistemi e nuove applicazioni a causa del costo della preparazione del campione e della raccolta dei dati. In situazioni come queste, sono necessari algoritmi innovativi per estrarre le "caratteristiche" oi "descrittori" più appropriati dai dati grezzi di caratterizzazione sperimentale.

Come esempio, gli alti esplosivi legati a polimeri costituiscono un importante sistema di materiali la cui microstruttura bifasica 3-D può:(1) variare notevolmente a seconda dei parametri di lavorazione come la morfologia delle particelle ad alta energia e la distribuzione delle dimensioni, contenuto del raccoglitore, solventi/velocità di agitazione, forze incalzanti, temperatura, eccetera.; (2) evolvere durante l'invecchiamento del materiale a lungo termine in condizioni ambientali variabili; e (3) mostrare variazioni nelle prestazioni in funzione della microstruttura del campione e dell'età.

Mentre ogni microstruttura 3D può essere visualizzata in modo non distruttivo con scansioni TC a raggi X (in più punti temporali), il processo di raccolta dei dati è lungo e costoso, che limita il numero di campioni a poche centinaia. La sfida è sfruttare al meglio questi dati limitati per scoprire eventuali correlazioni processo-microstruttura-prestazioni, quantificare le tendenze di invecchiamento a lungo termine, fornire approfondimenti su microscala nei codici di simulazione basati sulla fisica, e progettare materiali futuri con prestazioni migliorate.

Un team di scienziati dei materiali LLNL e scienziati della visualizzazione dei dati presso LLNL e l'Università dello Utah ha utilizzato metodi recentemente sviluppati nella topologia del campo scalare e nella teoria Morse per estrarre utili funzioni di riepilogo come "conteggio dei grani" e "area della superficie di confine interna" dal grezzo Dati TC a raggi X.

Queste variabili delle caratteristiche sono state quindi analizzate utilizzando una varietà di tecniche di apprendimento automatico statistico, che ha permesso al team di:(1) distinguere obiettivamente diverse microstrutture risultanti da differenze di elaborazione; (2) monitorare sistematicamente l'evoluzione della microstruttura durante l'invecchiamento; e (3) costruire modelli di prestazioni dipendenti dalla microstruttura.

"Con una maggiore enfasi sulla ricerca incentrata sui dati ispirata all'intelligenza artificiale, il paradigma del nostro approccio alla costruzione di modelli e alla scoperta dei materiali sta cambiando rapidamente, " secondo l'autore principale Amitesh Maiti. "Il ritmo e la qualità dei progressi dipendono in modo critico da tali collaborazioni multi-team che uniscono conoscenze e competenze complementari".

Nelle parole del ricercatore principale del progetto Richard Gee:"Lo sviluppo e l'implementazione di questi metodi stanno offrendo i mezzi per identificare gli effetti complessi dei parametri di elaborazione e dell'invecchiamento sulle prestazioni dei materiali rilevanti per le scorte. Le intuizioni risultanti dovrebbero consentire l'ottimizzazione della progettazione dei componenti e la previsione del cambiamento a lungo termine delle prestazioni indotto dall'età, che è di grande valore per migliorare le pratiche di sorveglianza."