El aprendizaje automático permitió la caracterización de la microestructura 3D que muestra granos de diferentes tamaños y sus límites. Crédito:Laboratorio Nacional Argonne
La investigación científica moderna sobre materiales se basa en gran medida en la exploración de su comportamiento a escala atómica y molecular. Por esta razón, los científicos están constantemente en la búsqueda de métodos nuevos y mejorados para la recopilación de datos y el análisis de materiales a esas escalas.
Investigadores del Centro de Materiales a Nanoescala (CNM), una instalación para usuarios de la Oficina de Ciencias del Departamento de Energía de EE. UU. ubicada en el Laboratorio Nacional Argonne del DOE, han inventado un algoritmo basado en aprendizaje automático para caracterizar cuantitativamente, en tres dimensiones, materiales con características tan pequeñas como nanómetros. Los investigadores pueden aplicar este descubrimiento fundamental al análisis de la mayoría de los materiales estructurales de interés para la industria.
"Lo que hace que nuestro algoritmo sea único es que si comienza con un material del que no sabe esencialmente nada sobre la microestructura, va a, en segundos, decirle al usuario la microestructura exacta en las tres dimensiones, "dijo Subramanian Sankaranarayanan, líder de grupo del grupo de teoría y modelado del CNM y profesor asociado en el Departamento de Ingeniería Mecánica e Industrial de la Universidad de Illinois en Chicago.
"Por ejemplo, con datos analizados por nuestra herramienta 3-D, "dijo Henry Chan, Investigador postdoctoral del CNM y autor principal del estudio, "los usuarios pueden detectar fallas y grietas y potencialmente predecir la vida útil bajo diferentes tensiones y deformaciones para todo tipo de materiales estructurales".
La mayoría de los materiales estructurales son policristalinos, lo que significa que una muestra utilizada con fines de análisis puede contener millones de granos. El tamaño y la distribución de esos granos y los vacíos dentro de una muestra son características microestructurales críticas que afectan importantes aspectos físicos, mecánico, óptico, propiedades químicas y térmicas. Tal conocimiento es importante, por ejemplo, al descubrimiento de nuevos materiales con las propiedades deseadas, como componentes de máquina más fuertes y duros que duran más.
En el pasado, Los científicos han visualizado características microestructurales en 3-D dentro de un material tomando instantáneas a la microescala de muchos cortes en 2-D, procesando las rodajas individuales, y luego pegarlos juntos para formar una imagen tridimensional. Tal es el caso, por ejemplo, con la rutina de tomografía computarizada que se realiza en los hospitales. Ese proceso, sin embargo, es ineficaz y conduce a la pérdida de información. Por lo tanto, los investigadores han estado buscando mejores métodos para análisis 3D.
"En primer lugar, "dijo Mathew Cherukara, un científico asistente en el CNM, "Pensamos en diseñar un algoritmo basado en intercepciones para buscar todos los límites entre los numerosos granos en la muestra hasta mapear la microestructura completa en las tres dimensiones, pero como puedes imaginar, con millones de granos, eso es extraordinariamente lento e ineficaz ".
"La belleza de nuestro algoritmo de aprendizaje automático es que utiliza un algoritmo no supervisado para manejar el problema de los límites y producir resultados muy precisos con alta eficiencia. ", dijo Chan." Junto con técnicas de muestreo descendente, sólo se necesitan unos segundos para procesar grandes muestras en 3D y obtener información microestructural precisa que sea robusta y resistente al ruido ".
El equipo probó con éxito el algoritmo comparándolo con datos obtenidos de análisis de varios metales diferentes (aluminio, planchar, silicio y titanio) y materiales blandos (polímeros y micelas). Estos datos provienen de experimentos publicados anteriormente, así como de simulaciones por computadora realizadas en dos instalaciones para usuarios de la Oficina de Ciencias del DOE. el Centro de Computación de Liderazgo de Argonne y el Centro Nacional de Computación Científica de Investigación en Energía. También se utilizaron en esta investigación el Centro de recursos informáticos de laboratorio en Argonne y el Carbon Cluster en CNM.
"Para los investigadores que utilizan nuestra herramienta, la principal ventaja no es solo la impresionante imagen tridimensional generada, sino que más importante, los datos de caracterización detallados, ", dijo Sankaranarayanan." Incluso pueden rastrear cuantitativa y visualmente la evolución de una microestructura a medida que cambia en tiempo real ".
El algoritmo de aprendizaje automático no se limita a los sólidos. El equipo lo ha ampliado para incluir la caracterización de la distribución de agrupaciones moleculares en fluidos con energía importante, Aplicaciones químicas y biológicas.
Esta herramienta de aprendizaje automático debería resultar especialmente impactante para futuros análisis en tiempo real de datos obtenidos de grandes instalaciones de caracterización de materiales. como la fuente de fotones avanzada, otra instalación para usuarios de la Oficina de Ciencias del DOE en Argonne, y otros sincrotrones en todo el mundo.
Este estudio, titulado "El aprendizaje automático permitió la caracterización microestructural autónoma en muestras 3D, " apareció en Materiales computacionales npj .