El Laboratorio Nacional Lawrence Livermore (LLNL) y sus socios confían en el desarrollo y despliegue oportunos de diversos materiales para respaldar una variedad de misiones de seguridad nacional. Sin embargo, El desarrollo y la implementación de materiales puede llevar muchos años desde el descubrimiento inicial de un nuevo material hasta la implementación a escala.

Un equipo interdisciplinario de investigadores LLNL de las Ciencias Físicas y de la Vida, Las direcciones de Informática e Ingeniería están desarrollando técnicas de aprendizaje automático para eliminar los cuellos de botella en el ciclo de desarrollo, y, a su vez, se reduce drásticamente el tiempo de implementación.

Uno de esos cuellos de botella es la cantidad de esfuerzo requerido para probar y evaluar el desempeño de materiales candidatos como TATB, un alto explosivo insensible de interés tanto para el Departamento de Energía como para el Departamento de Defensa. Las muestras de TATB pueden exhibir diferentes características de cristal (p. Ej., tamaño y textura) y, por lo tanto, difieren drásticamente en el rendimiento debido a ligeras variaciones en las condiciones en las que se produjo la reacción de síntesis.

El equipo de LLNL está buscando un enfoque novedoso para predecir las propiedades de los materiales. Al aplicar la visión por computadora y el aprendizaje automático basados ​​en imágenes de microscopía electrónica de barrido (SEM) de polvo TATB sin procesar, han evitado la necesidad de fabricar y probar físicamente una pieza. El equipo ha demostrado que es posible entrenar modelos para predecir el rendimiento del material basándose solo en SEM, demostrando una reducción del error del 24 por ciento sobre el enfoque principal actual (es decir, evaluación de expertos en el dominio y datos del instrumento). Además, el equipo demostró que los modelos de aprendizaje automático pueden descubrir y utilizar atributos de cristal informativos, que los expertos en el dominio habían subutilizado.

Según el científico informático de LLNL Brian Gallagher, autor principal de un artículo que aparece en la revista Materials and Design:"Nuestro objetivo no es solo predecir con precisión el rendimiento del material, sino para proporcionar retroalimentación a los experimentadores sobre cómo alterar las condiciones de síntesis para producir materiales de mayor rendimiento. Estos resultados nos acercan un paso más a ese objetivo ".

El científico de materiales de LLNL, Yong Han, investigador principal y autor correspondiente del artículo, agregó:"Nuestro trabajo demuestra la utilidad de aplicar enfoques novedosos de aprendizaje automático para abordar problemas difíciles de la ciencia de los materiales. Planeamos ampliar este trabajo para abordar la escasez de datos, explicabilidad, incertidumbre y desarrollo de modelos conscientes del dominio ".