Le strutture microscopiche e le proprietà dei materiali sono intimamente legate, e personalizzarli è una sfida. Gli ingegneri della Rice University sono determinati a semplificare il processo attraverso l'apprendimento automatico.

A quello scopo, il laboratorio di riso dello scienziato dei materiali Ming Tang, in collaborazione con il fisico Fei Zhou al Lawrence Livermore National Laboratory, ha introdotto una tecnica per prevedere l'evoluzione delle microstrutture, caratteristiche strutturali comprese tra 10 nanometri e 100 micron, nei materiali.

Il loro articolo ad accesso libero sul giornale Cell Press Modelli mostra come le reti neurali (modelli di computer che imitano i neuroni del cervello) possono allenarsi per prevedere come crescerà una struttura in un determinato ambiente, proprio come un fiocco di neve si forma dall'umidità in natura.

Infatti, simile a un fiocco di neve, le strutture di cristalli dendritici sono stati uno degli esempi utilizzati dal laboratorio nel suo studio di prova del concetto.

"Nella moderna scienza dei materiali, è ampiamente accettato che la microstruttura svolga spesso un ruolo critico nel controllo delle proprietà di un materiale, " disse Tang. "Non solo vuoi controllare come gli atomi sono disposti su reticoli, ma anche come appare la microstruttura, per darti buone prestazioni e persino nuove funzionalità.

"Il Santo Graal della progettazione dei materiali è essere in grado di prevedere come cambierà una microstruttura in determinate condizioni, se lo scaldiamo o applichiamo stress o qualche altro tipo di stimolazione, " Egli ha detto.

Tang ha lavorato per perfezionare la previsione della microstruttura per tutta la sua carriera, ma ha affermato che il tradizionale approccio basato su equazioni deve affrontare sfide significative per consentire agli scienziati di tenere il passo con la domanda di nuovi materiali.

"Gli enormi progressi nell'apprendimento automatico hanno incoraggiato Fei a Lawrence Livermore e noi a vedere se potevamo applicarlo ai materiali, " Egli ha detto.

Fortunatamente, c'erano molti dati dal metodo tradizionale per aiutare a formare le reti neurali del team, che vedono la prima evoluzione delle microstrutture per prevedere il prossimo passo, e il prossimo, e così via.

"Questo è ciò in cui le macchine sono brave, vedendo la correlazione in un modo molto complesso che la mente umana non è in grado di vedere, " ha detto Tang. "Noi ne approfittiamo".

I ricercatori hanno testato le loro reti neurali su quattro tipi distinti di microstruttura:propagazione delle onde piane, crescita del grano, decomposizione spinodale e crescita dei cristalli dendritici.

In ogni prova, le reti sono state alimentate tra 1, 000 e 2, 000 serie di 20 immagini successive che illustrano l'evoluzione della microstruttura di un materiale come previsto dalle equazioni. Dopo aver appreso le regole di evoluzione da questi dati, alla rete sono state quindi fornite da 1 a 10 immagini per prevedere i successivi 50-200 fotogrammi, e di solito lo faceva in pochi secondi.

I vantaggi della nuova tecnica sono diventati subito chiari:le reti neurali, alimentato da processori grafici, accelerato i calcoli fino a 718 volte per la crescita del grano, rispetto al precedente algoritmo. Quando eseguito su un processore centrale standard, erano ancora fino a 87 volte più veloci del vecchio metodo. La previsione di altri tipi di evoluzione della microstruttura ha mostrato simili, anche se non così drammatico, la velocità aumenta.

I confronti con le immagini del metodo di simulazione tradizionale hanno dimostrato che le previsioni erano in gran parte nel segno, ha detto Tang. "In base a ciò, vediamo come possiamo aggiornare i parametri per rendere la previsione sempre più accurata, " ha detto. "Allora possiamo usare queste previsioni per aiutare a progettare materiali che non abbiamo mai visto prima.

"Un altro vantaggio è che è in grado di fare previsioni anche quando non sappiamo tutto sulle proprietà dei materiali in un sistema, " ha detto Tang. "Non potremmo farlo con il metodo basato su equazioni, che ha bisogno di conoscere tutti i valori dei parametri nelle equazioni per eseguire le simulazioni."

Tang ha affermato che l'efficienza di calcolo delle reti neurali potrebbe accelerare lo sviluppo di nuovi materiali. Si aspetta che sarà utile nella progettazione in corso del suo laboratorio di batterie più efficienti. "Stiamo pensando a nuove strutture tridimensionali che aiuteranno a caricare e scaricare le batterie molto più velocemente di quello che abbiamo ora, " Tang ha detto. "Questo è un problema di ottimizzazione che è perfetto per il nostro nuovo approccio."