Para ingenieros que desarrollan nuevos materiales o revestimientos protectores, hay miles de millones de posibilidades diferentes para clasificar. Pruebas de laboratorio o incluso simulaciones informáticas detalladas para determinar sus propiedades exactas. como dureza, puede llevar horas, dias, o más para cada variación. Ahora, un nuevo enfoque basado en inteligencia artificial desarrollado en el MIT podría reducir eso a una cuestión de milisegundos, lo que hace que sea práctico analizar una gran variedad de materiales candidatos.

El sistema, que los investigadores del MIT esperan que se pueda utilizar para desarrollar recubrimientos protectores o materiales estructurales más fuertes, por ejemplo, para proteger aeronaves o naves espaciales de impactos — se describe en un artículo de la revista Importar , por el postdoctorado del MIT Chi-Hua Yu, profesor de ingeniería civil y ambiental y jefe de departamento Markus J. Buehler, y Yu-Chuan Hsu de la Universidad Nacional de Taiwán.

El enfoque de este trabajo fue predecir la forma en que un material se rompería o fracturaría, analizando la propagación de grietas a través de la estructura molecular del material. Buehler y sus colegas han pasado muchos años estudiando fracturas y otros modos de falla con gran detalle, dado que comprender los procesos de falla es clave para desarrollar materiales confiables. "Una de las especialidades de mi laboratorio es utilizar lo que llamamos simulaciones de dinámica molecular, o básicamente simulaciones átomo por átomo "de tales procesos, Buehler dice.

Estas simulaciones proporcionan una descripción químicamente precisa de cómo ocurre la fractura, él dice. Pero es lento porque requiere resolver ecuaciones de movimiento para cada átomo. "Se necesita mucho tiempo para simular estos procesos, ", dice. El equipo decidió explorar formas de simplificar ese proceso, utilizando un sistema de aprendizaje automático.

"Estamos tomando un desvío, ", dice." Hemos estado preguntando, ¿Qué pasaría si solo tuvieras la observación de cómo ocurre la fractura [en un material dado], y dejar que las computadoras aprendan esta relación por sí mismas? " Los sistemas de inteligencia artificial (IA) necesitan una variedad de ejemplos para usar como un conjunto de entrenamiento, conocer las correlaciones entre las características del material y su desempeño.

En este caso, estaban mirando una variedad de compuestos, Recubrimientos en capas hechos de materiales cristalinos. Las variables incluyeron la composición de las capas y las orientaciones relativas de sus estructuras cristalinas ordenadas, y la forma en que cada uno de esos materiales respondió a la fractura, basado en las simulaciones de dinámica molecular. "Básicamente simulamos átomo por átomo, cómo se rompen los materiales, y registramos esa información, "Dice Buehler.

Generaron concienzudamente cientos de tales simulaciones, con una amplia variedad de estructuras, y sometido cada uno a muchas fracturas simuladas diferentes. Luego, introdujeron grandes cantidades de datos sobre todas estas simulaciones en su sistema de inteligencia artificial, para ver si podía descubrir los principios físicos subyacentes y predecir el rendimiento de un nuevo material que no formaba parte del conjunto de entrenamiento.

Y lo hizo. "Eso es lo realmente emocionante, "Buehler dice, "debido a que la simulación por computadora a través de la IA puede hacer lo que normalmente lleva mucho tiempo usando la dinámica molecular, o usando simulaciones de elementos finitos, que son otra forma en que los ingenieros resuelven este problema, y también es muy lento. Entonces, esta es una forma completamente nueva de simular cómo fallan los materiales ".

Cómo fallan los materiales es información crucial para cualquier proyecto de ingeniería, Buehler enfatiza. Las fallas de materiales, como las fracturas, son "una de las principales razones de pérdidas en cualquier industria. Para inspeccionar aviones, trenes o automóviles, o para carreteras o infraestructura, u hormigón, o corrosión del acero, o para comprender la fractura de tejidos biológicos como el hueso, la capacidad de simular fracturas con IA, y hacerlo de forma rápida y muy eficaz, es un verdadero cambio de juego ".

La mejora en la velocidad producida por el uso de este método es notable. Hsu explica que "para simulaciones individuales en dinámica molecular, se han necesitado varias horas para ejecutar las simulaciones, pero en esta predicción de inteligencia artificial, solo se necesitan 10 milisegundos para realizar todas las predicciones de los patrones, y mostrar cómo se forma una grieta paso a paso ".

El método que desarrollaron es bastante generalizable, Buehler dice. "Aunque en nuestro trabajo solo lo aplicamos a un material con diferentes orientaciones de cristal, puedes aplicar esta metodología a materiales mucho más complejos ". Y aunque utilizaron datos de simulaciones atomísticas, el sistema también podría usarse para hacer predicciones sobre la base de datos experimentales, como imágenes de un material que se está fracturando.

"Si tuviéramos un material nuevo que nunca antes hemos simulado, " él dice, "si tenemos muchas imágenes del proceso de fracturación, también podemos introducir esos datos en el modelo de aprendizaje automático ". simulado o experimental, el sistema de inteligencia artificial pasa esencialmente por el proceso de evolución cuadro por cuadro, observando en qué se diferencia cada imagen de la anterior para conocer la dinámica subyacente.

Por ejemplo, a medida que los investigadores hacen uso de las nuevas instalaciones del MIT.nano, las instalaciones del Instituto dedicadas a la fabricación y prueba de materiales a nanoescala, Se generarán grandes cantidades de nuevos datos sobre una variedad de materiales sintetizados.

"Como tenemos cada vez más técnicas experimentales de alto rendimiento que pueden producir muchas imágenes muy rápidamente, de forma automatizada, este tipo de fuentes de datos se pueden introducir inmediatamente en el modelo de aprendizaje automático, Buehler dice. "Realmente pensamos que el futuro será uno en el que tengamos mucha más integración entre el experimento y la simulación, mucho más de lo que tenemos en el pasado ".

El sistema podría aplicarse no solo a la fracturación, como hizo el equipo en esta demostración inicial, sino a una amplia variedad de procesos que se desarrollan a lo largo del tiempo, él dice, como la difusión de un material a otro, o procesos de corrosión. "En cualquier momento en el que haya evoluciones de campos físicos, y queremos saber cómo evolucionan estos campos en función de la microestructura, " él dice, este método podría ser una bendición.