I ricercatori della Tampere University of Technology e della Aalto University hanno insegnato algoritmi di apprendimento automatico per prevedere come si allungano i materiali. Questa nuova applicazione dell'apprendimento automatico apre nuove opportunità in fisica e possibili applicazioni possono essere trovate nella progettazione di nuovi materiali ottimali. Lo studio è stato pubblicato sulla prestigiosa rivista Comunicazioni sulla natura .

La maggior parte degli oggetti normali tende ad allungarsi "uniformemente", che:gli scienziati possono prevedere quanta forza è necessaria per allungare un materiale di una certa distanza. Esperimenti recenti hanno dimostrato che queste previsioni non reggono alla scala micrometrica. Lo stiramento dei cristalli microscopici avviene in lampi discreti con una distribuzione dimensionale molto ampia. Poiché le esplosioni si verificano sporadicamente, campioni di microscala apparentemente identici possono allungarsi in modi molto diversi. Questa variabilità delle caratteristiche di resistenza dei campioni rappresenta una sfida per lo sviluppo di nuovi materiali con le proprietà desiderate. Nel loro articolo "Machine learning deformazione plastica dei cristalli" pubblicato su Comunicazioni sulla natura , i ricercatori utilizzano l'apprendimento automatico per prevedere le caratteristiche dei singoli campioni.

"Gli algoritmi di apprendimento automatico sono riusciti a misurare quanto sia prevedibile il processo di stiramento di piccoli campioni cristallini. Ciò sarebbe stato praticamente impossibile con i mezzi tradizionali, ma l'apprendimento automatico consente la scoperta di risultati nuovi e interessanti, " spiega il Professore Associato Lasse Laurson del Laboratorio di Fisica della Tampere University of Technology.

La deformazione plastica irreversibile delle sostanze cristalline si verifica quando difetti cristallografici, chiamate dislocazioni, spostarsi da una posizione all'altra del cristallo. Materiali cristallini, come i metalli o il ghiaccio contengono quasi sempre reti di dislocazioni, con ogni cristallo contenente la propria rete.

I ricercatori hanno addestrato algoritmi di apprendimento automatico per riconoscere la connessione tra la struttura microscopica di un oggetto e la quantità di forza necessaria per allungare un campione. Lo studio ha rivelato, tra le altre cose, che la prevedibilità della quantità di forza richiesta cambia sull'allungamento del campione:in un primo momento, diventa più difficile prevedere la forza richiesta man mano che l'allungamento aumenta, che dipende principalmente dalla natura sporadica delle esplosioni di stiramento. Sorprendentemente, però, la prevedibilità migliora man mano che il tratto continua a crescere. Anche la dimensione influisce sulla prevedibilità:è più facile prevedere il processo di deformazione dei cristalli più grandi rispetto a quelli più piccoli.

"Mentre il tratto cresce, il numero di raffiche si riduce, conseguente miglioramento della prevedibilità. Questo è promettente in termini di previsione della resa dei singoli campioni, che è un obiettivo chiave nella fisica dei materiali, "dice Henri Salmenjoki, dottorando presso il Dipartimento di Fisica Applicata dell'Università Aalto.

"La nostra ricerca indica che l'apprendimento automatico può essere utilizzato per prevedere processi fisici molto complessi e non lineari. Oltre allo sviluppo di materiali ottimali, possibili applicazioni si possono trovare nella previsione della dinamica di molti altri sistemi complessi, " spiega Laurson.