Los científicos del Laboratorio Nacional Lawrence Livermore (LLNL) han dado un paso adelante en el diseño de materiales futuros con un rendimiento mejorado al analizar su microestructura utilizando IA.

El trabajo apareció recientemente en línea en la revista. Ciencia de los materiales computacionales .

El progreso tecnológico en las aplicaciones de la ciencia de los materiales que abarcan la electrónica, biomédico energía alterna, electrólito, El diseño del catalizador y más, a menudo se ve obstaculizado por la falta de comprensión de las complejas relaciones entre la microestructura del material subyacente y el rendimiento del dispositivo. Pero el análisis de datos impulsado por inteligencia artificial brinda oportunidades que pueden acelerar el diseño y la optimización de materiales al dilucidar las correlaciones de procesamiento y rendimiento de una manera matemáticamente manejable.

Los desarrollos recientes en los métodos de "aprendizaje profundo" basados ​​en redes neuronales artificiales han revolucionado el proceso de descubrir relaciones tan intrincadas utilizando los datos sin procesar. Sin embargo, para entrenar de manera confiable grandes redes, se necesitan datos de decenas de miles de muestras, cuales, Desafortunadamente, a menudo es prohibitivo en nuevos sistemas y nuevas aplicaciones debido al costo de preparación de muestras y recolección de datos. En situaciones como estas, Se necesitan algoritmos innovadores para extraer las "características" o "descriptores" más apropiados de los datos de caracterización experimental sin procesar.

Como ejemplo, Los explosivos de alto poder ligados con polímeros constituyen un importante sistema de materiales cuya microestructura trifásica trifásica puede:(1) variar mucho según los parámetros de procesamiento, como la morfología de partículas de alta energía y la distribución del tamaño, contenido de aglutinante, solventes / velocidades de agitación, presionando fuerzas, temperatura, etc .; (2) evolucionar a lo largo del envejecimiento del material a largo plazo en diversas condiciones ambientales; y (3) mostrar variación en el rendimiento en función de la microestructura y la edad de la muestra.

Si bien cada microestructura 3-D se puede obtener imágenes de forma no destructiva con tomografías computarizadas de rayos X (en múltiples puntos de tiempo), el proceso de recopilación de datos lleva mucho tiempo y es caro, lo que limita el número de muestras a unos pocos cientos. El desafío es hacer el mejor uso de estos datos limitados para descubrir cualquier correlación proceso-microestructura-desempeño, cuantificar las tendencias de envejecimiento a largo plazo, proporcionar información a microescala sobre códigos de simulación basados ​​en la física, y diseñar materiales futuros con un rendimiento mejorado.

Un equipo de científicos de materiales de LLNL y científicos de visualización de datos en LLNL y la Universidad de Utah utilizó métodos desarrollados recientemente en topología de campo escalar y teoría de Morse para extraer características resumidas útiles como "recuento de granos" y "área de superficie de límite interno" del crudo. Datos de TC de rayos X.

Estas variables de características se analizaron luego utilizando una variedad de técnicas estadísticas de aprendizaje automático, lo que permitió al equipo:(1) distinguir objetivamente diferentes microestructuras resultantes de las diferencias de procesamiento; (2) seguir sistemáticamente la evolución de la microestructura con el envejecimiento; y (3) construir modelos de desempeño dependientes de la microestructura.

"Con un mayor énfasis en la investigación centrada en datos inspirada en la inteligencia artificial, el paradigma de cómo abordamos la construcción de modelos y el descubrimiento de materiales está cambiando rápidamente, "según el autor principal, Amitesh Maiti." El ritmo y la calidad del progreso dependen de manera crítica de estas colaboraciones de varios equipos que reúnen conocimientos y habilidades complementarias ".

En palabras del investigador principal del proyecto, Richard Gee:"El desarrollo y la implementación de estos métodos están proporcionando los medios para identificar los efectos complejos de los parámetros de procesamiento y el envejecimiento en el rendimiento de los materiales relevantes para las existencias. Los conocimientos resultantes deberían permitir la optimización del diseño de los componentes y la predicción de cambios en el rendimiento a largo plazo inducidos por la edad, lo cual es de gran valor para mejorar las prácticas de vigilancia ".