Los ingenieros de la Universidad de Rice y el Laboratorio Nacional Lawrence Livermore están utilizando redes neuronales para acelerar la predicción de cómo evolucionan las microestructuras de los materiales. Este ejemplo predice el crecimiento de cristales dendríticos en forma de copo de nieve. Crédito:Grupo de ciencia de materiales de mesoescala / Universidad de Rice
Las estructuras microscópicas y las propiedades de los materiales están íntimamente ligadas, y personalizarlos es un desafío. Los ingenieros de Rice University están decididos a simplificar el proceso mediante el aprendizaje automático.
Con ese fin, el laboratorio de Rice del científico de materiales Ming Tang, en colaboración con el físico Fei Zhou del Laboratorio Nacional Lawrence Livermore, introdujo una técnica para predecir la evolución de microestructuras (características estructurales entre 10 nanómetros y 100 micrones) en materiales.
Su artículo de acceso abierto en la revista Cell Press Patrones muestra cómo las redes neuronales (modelos informáticos que imitan las neuronas del cerebro) pueden entrenarse para predecir cómo crecerá una estructura en un entorno determinado, al igual que un copo de nieve se forma a partir de la humedad de la naturaleza.
De hecho, como un copo de nieve, Las estructuras de cristales dendríticos fueron uno de los ejemplos que utilizó el laboratorio en su estudio de prueba de concepto.
"En la ciencia de los materiales moderna, es ampliamente aceptado que la microestructura a menudo juega un papel crítico en el control de las propiedades de un material, "Dijo Tang." No solo quieres controlar cómo se organizan los átomos en las redes, sino también cómo se ve la microestructura, para brindarle un buen rendimiento e incluso una nueva funcionalidad.
"El santo grial del diseño de materiales es poder predecir cómo cambiará una microestructura en determinadas condiciones, si lo calentamos o aplicamos estrés o algún otro tipo de estimulación, " él dijo.
Tang ha trabajado para refinar la predicción de microestructuras durante toda su carrera, pero dijo que el enfoque tradicional basado en ecuaciones enfrenta desafíos significativos para permitir a los científicos mantenerse al día con la demanda de nuevos materiales.
"El tremendo progreso en el aprendizaje automático nos animó a Fei en Lawrence Livermore y a nosotros a ver si podíamos aplicarlo a los materiales, " él dijo.
Afortunadamente, había muchos datos del método tradicional para ayudar a entrenar las redes neuronales del equipo, que ven la evolución temprana de las microestructuras para predecir el siguiente paso, y el siguiente, etcétera.
"Para esto es buena la maquinaria, viendo la correlación de una manera muy compleja que la mente humana no es capaz de ver, ", Dijo Tang." Nos aprovechamos de eso ".
Los investigadores probaron sus redes neuronales en cuatro tipos distintos de microestructura:propagación de ondas planas, crecimiento del grano, Descomposición espinodal y crecimiento de cristales dendríticos.
En cada prueba, las redes se alimentaron entre 1, 000 y 2, 000 conjuntos de 20 imágenes sucesivas que ilustran la evolución de la microestructura de un material según lo predicho por las ecuaciones. Después de aprender las reglas de evolución a partir de estos datos, A continuación, se le dio a la red de 1 a 10 imágenes para predecir los próximos 50 a 200 fotogramas, y por lo general lo hacía en segundos.
Las ventajas de la nueva técnica se hicieron evidentes rápidamente:las redes neuronales, impulsado por procesadores gráficos, aceleró los cálculos hasta 718 veces para el crecimiento del grano, en comparación con el algoritmo anterior. Cuando se ejecuta en un procesador central estándar, todavía eran hasta 87 veces más rápidos que el método anterior. La predicción de otros tipos de evolución de la microestructura mostró similar, aunque no tan dramático, aumenta la velocidad.
Las comparaciones con imágenes del método de simulación tradicional demostraron que las predicciones fueron en gran parte acertadas, Dijo Tang. "Basado en eso, vemos cómo podemos actualizar los parámetros para hacer la predicción cada vez más precisa, ", dijo." Entonces podemos usar estas predicciones para ayudar a diseñar materiales que no hemos visto antes.
"Otro beneficio es que puede hacer predicciones incluso cuando no sabemos todo sobre las propiedades del material en un sistema, ", Dijo Tang." No podríamos hacer eso con el método basado en ecuaciones, que necesita conocer todos los valores de los parámetros en las ecuaciones para realizar simulaciones ".
Tang dijo que la eficiencia informática de las redes neuronales podría acelerar el desarrollo de materiales novedosos. Espera que sea útil en el diseño continuo de baterías más eficientes de su laboratorio. "Estamos pensando en estructuras tridimensionales novedosas que ayudarán a cargar y descargar las baterías mucho más rápido de lo que tenemos ahora, ", Dijo Tang." Este es un problema de optimización que es perfecto para nuestro nuevo enfoque ".