Isaac Newton pudo haber conocido a su pareja.

Por siglos, Los ingenieros se han basado en las leyes físicas, desarrolladas por Newton y otros, para comprender las tensiones y tensiones en los materiales con los que trabajan. Pero resolver esas ecuaciones puede ser una ardua tarea computacional, especialmente para materiales complejos.

Los investigadores del MIT han desarrollado una técnica para determinar rápidamente ciertas propiedades de un material, como el estrés y la tensión, basado en una imagen del material que muestra su estructura interna. El enfoque podría algún día eliminar la necesidad de arduos cálculos basados ​​en la física, en su lugar, confiando en la visión por computadora y el aprendizaje automático para generar estimaciones en tiempo real.

Los investigadores dicen que el avance podría permitir la creación de prototipos de diseño y las inspecciones de materiales más rápidas. "Es un enfoque completamente nuevo, "dice Zhenze Yang, agregando que el algoritmo "completa todo el proceso sin ningún conocimiento de dominio de la física".

La investigación aparece hoy en la revista Avances de la ciencia . Yang es el autor principal del artículo y un Ph.D. estudiante del Departamento de Ciencia e Ingeniería de Materiales. Los coautores incluyen al ex postdoctorado del MIT Chi-Hua Yu y Markus Buehler, el Profesor de Ingeniería de McAfee y el director del Laboratorio de Mecánica Atomística y Molecular.

Los ingenieros dedican mucho tiempo a resolver ecuaciones. Ayudan a revelar las fuerzas internas de un material, como el estrés y la tensión, que puede hacer que ese material se deforme o se rompa. Dichos cálculos podrían sugerir cómo se mantendría un puente propuesto en medio de grandes cargas de tráfico o fuertes vientos. A diferencia de Sir Isaac, los ingenieros de hoy no necesitan lápiz y papel para la tarea. "Muchas generaciones de matemáticos e ingenieros han escrito estas ecuaciones y luego han descubierto cómo resolverlas en computadoras, "dice Buehler." Pero sigue siendo un problema difícil. Es muy caro, puede llevar días semanas, o incluso meses para ejecutar algunas simulaciones. Entonces, pensamos:enseñemos a una IA a resolver este problema por ti ".

Los investigadores recurrieron a una técnica de aprendizaje automático llamada Red Neural Adversaria Generativa. Entrenaron la red con miles de imágenes emparejadas, una que representa la microestructura interna de un material sujeta a fuerzas mecánicas, y el otro representa los valores de tensión y deformación codificados por colores de ese mismo material. Con estos ejemplos, la red utiliza principios de la teoría de juegos para descubrir iterativamente las relaciones entre la geometría de un material y sus tensiones resultantes.

"Entonces, de una imagen, la computadora es capaz de predecir todas esas fuerzas:las deformaciones, las tensiones, Etcétera, "Dice Buehler." Ese es realmente el gran avance, de la manera convencional, necesitaría codificar las ecuaciones y pedirle a la computadora que resuelva ecuaciones diferenciales parciales. Simplemente vamos imagen a imagen ".

Ese enfoque basado en imágenes es especialmente ventajoso para complejos, materiales compuestos. Las fuerzas sobre un material pueden operar de manera diferente a escala atómica que a escala macroscópica. "Si miras un avión, es posible que tenga pegamento, un metal, y un polímero en el medio. Entonces, tienes todas estas caras diferentes y diferentes escalas que determinan la solución, "dice Buehler." Si va por el camino difícil, el camino de Newton, tiene que caminar un gran desvío para llegar a la respuesta ".

Pero la red del investigador es experta en lidiar con múltiples escalas. Procesa la información a través de una serie de "convoluciones, "que analizan las imágenes a escalas progresivamente mayores". Es por eso que estas redes neuronales son ideales para describir las propiedades de los materiales, "dice Buehler.

La red completamente entrenada funcionó bien en las pruebas, representar con éxito los valores de tensión y deformación gracias a una serie de imágenes en primer plano de la microestructura de varios materiales compuestos blandos. La red incluso pudo capturar "singularidades, "como grietas que se desarrollan en un material. En estos casos, las fuerzas y los campos cambian rápidamente a distancias diminutas. "Como científico de materiales, querría saber si el modelo puede recrear esas singularidades, "dice Buehler." Y la respuesta es sí ".

El avance podría "reducir significativamente las iteraciones necesarias para diseñar productos, "según Suvranu De, un ingeniero mecánico del Instituto Politécnico Rensselaer que no participó en la investigación. "El enfoque de extremo a extremo propuesto en este documento tendrá un impacto significativo en una variedad de aplicaciones de ingeniería, desde compuestos utilizados en las industrias automotriz y aeronáutica hasta biomateriales naturales y de ingeniería. También tendrá aplicaciones significativas en el ámbito de la tecnología pura. la investigación científica, ya que la fuerza juega un papel crítico en una gama sorprendentemente amplia de aplicaciones, desde micro / nanoelectrónica hasta la migración y diferenciación de células ".

Además de ahorrar tiempo y dinero a los ingenieros, la nueva técnica podría dar acceso a los no expertos a cálculos de materiales de última generación. Arquitectos o diseñadores de productos, por ejemplo, podría probar la viabilidad de sus ideas antes de pasar el proyecto a un equipo de ingenieros. "Pueden simplemente dibujar su propuesta y averiguar, "dice Buehler." Eso es un gran problema ".

Una vez entrenado, la red se ejecuta casi instantáneamente en procesadores de computadora de nivel de consumidor. Eso podría permitir a los mecánicos e inspectores diagnosticar problemas potenciales con la maquinaria simplemente tomando una fotografía.

En el nuevo periódico, los investigadores trabajaron principalmente con materiales compuestos que incluían componentes blandos y quebradizos en una variedad de arreglos geométricos aleatorios. En el trabajo futuro, el equipo planea utilizar una gama más amplia de tipos de materiales. "Realmente creo que este método tendrá un gran impacto, ", dice Buehler." Empoderar a los ingenieros con IA es realmente lo que estamos tratando de hacer aquí ".

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.