Investigadores de la Universidad de Tecnología de Tampere y la Universidad de Aalto enseñaron algoritmos de aprendizaje automático para predecir cómo se estiran los materiales. Esta nueva aplicación del aprendizaje automático abre nuevas oportunidades en física y las posibles aplicaciones se pueden encontrar en el diseño de nuevos materiales óptimos. El estudio ha sido publicado en la prestigiosa revista Comunicaciones de la naturaleza .

La mayoría de los objetos normales tienden a estirarse 'uniformemente', que:los científicos pueden predecir cuánta fuerza se requiere para hacer que un material se estire una cierta distancia. Experimentos recientes han demostrado que estas predicciones no se mantienen a escala micrométrica. El estiramiento de los cristales microscópicos ocurre en ráfagas discretas con una distribución de tamaño muy amplia. Dado que las ráfagas ocurren esporádicamente, Las muestras a microescala aparentemente idénticas se pueden estirar de formas muy diferentes. Esta variabilidad de las características de resistencia de las muestras plantea un desafío para el desarrollo de nuevos materiales con las propiedades deseadas. En su artículo "Deformación plástica de cristales por aprendizaje automático" publicado en Comunicaciones de la naturaleza , los investigadores utilizan el aprendizaje automático para predecir las características de muestras individuales.

"Los algoritmos de aprendizaje automático lograron medir cuán predecible es el proceso de estiramiento de pequeñas muestras cristalinas. Esto habría sido prácticamente imposible con los medios tradicionales, pero el aprendizaje automático permite descubrir resultados nuevos e interesantes, "explica el profesor asociado Lasse Laurson del Laboratorio de Física de la Universidad Tecnológica de Tampere.

La deformación plástica irreversible de las sustancias cristalinas se produce cuando los defectos cristalográficos, llamadas dislocaciones, muévase de un lugar en el cristal a otro. Materiales cristalinos, como los metales o el hielo casi siempre contienen redes de dislocaciones, con cada cristal que contiene su propia red.

Los investigadores entrenaron algoritmos de aprendizaje automático para reconocer la conexión entre la estructura microscópica de un objeto y la cantidad de fuerza requerida para estirar una muestra. El estudio reveló, entre otras cosas, que la predictibilidad de la cantidad de fuerza requerida cambia en el estiramiento de la muestra:Al principio, se vuelve más difícil predecir la fuerza requerida a medida que aumenta el estiramiento, que depende mayoritariamente de la naturaleza esporádica de las ráfagas de estiramiento. Asombrosamente, sin embargo, la previsibilidad mejora a medida que el tramo continúa creciendo. El tamaño también afecta la previsibilidad:es más fácil predecir el proceso de deformación de los cristales más grandes que los más pequeños.

"A medida que crece el tramo, el número de ráfagas se reduce, en consecuencia, mejorando la previsibilidad. Esto es prometedor en términos de predecir el rendimiento de muestras individuales, que es un objetivo clave en la física de materiales, "dice Henri Salmenjoki, Candidato a doctorado en el Departamento de Física Aplicada de la Universidad de Aalto.

"Nuestra investigación indica que el aprendizaje automático se puede utilizar para predecir procesos físicos muy complejos y no lineales. Además del desarrollo de materiales óptimos, Se pueden encontrar posibles aplicaciones en la predicción de la dinámica de muchos otros sistemas complejos, "Explica Laurson.