Ученые из Национальной лаборатории Лоуренса Ливермора (LLNL) сделали шаг вперед в разработке будущих материалов с улучшенными эксплуатационными характеристиками, проанализировав их микроструктуру с помощью ИИ.
Работа недавно появилась онлайн в журнале Computational Materials Science .
Технический прогресс в области материаловедения, охватывающий электронную, биомедицинскую, альтернативную энергию, электролит, конструкцию катализатора и другие области, часто сдерживается отсутствием понимания сложных взаимосвязей между микроструктурой основного материала и характеристиками устройства. Но аналитика данных, основанная на искусственном интеллекте, предоставляет возможности, которые могут ускорить проектирование и оптимизацию материалов за счет выяснения корреляции между производительностью и производительностью математически удобным способом.
Недавние разработки в методах « глубокого обучения » на основе искусственных нейронных сетей произвели революцию в процессе обнаружения таких сложных отношений с использованием самих необработанных данных . Однако для надежного обучения больших сетей нужны данные из десятков тысяч образцов, что, к сожалению, часто является препятствующим в новых системах и новых приложениях из-за стоимости подготовки образцов и сбора данных . В таких ситуациях необходимы инновационные алгоритмы для извлечения наиболее подходящих «признаков» или «дескрипторов» из необработанных экспериментальных данных характеристик.
Например, высокопрочные взрывчатые вещества на полимерной основе представляют собой важную систему материалов, чья трехмерная двухфазная микроструктура может: (1) сильно варьироваться в зависимости от параметров обработки, таких как морфология частиц с высокой энергией и распределение по размерам , содержание связующего, растворители / перемешивание. нормы, силы нажатия, температура и т. д .; (2) развиваться в течение длительного времени старения материала в различных условиях окружающей среды; и (3) отображают изменения в производительности как функцию микроструктуры образца и возраста.
В то время как каждая трехмерная микроструктура может быть неразрушающе визуализирована с помощью рентгеновского КТ-сканирования (в нескольких временных точках), процесс сбора данных занимает много времени и является дорогостоящим, что ограничивает количество образцов, как правило, всего несколькими сотнями. Задача состоит в том, чтобы наилучшим образом использовать такие ограниченные данные для выявления любых корреляций между процессами и микроструктурой, а также для количественной оценки долгосрочных тенденций старения, обеспечения микромасштабного понимания кодов физического моделирования и разработки будущих материалов с улучшенными характеристиками.
Команда исследователей материалов LLNL и ученых по визуализации данных в LLNL и Университете Юты использовала недавно разработанные методы в топологии скалярного поля и теории Морса для извлечения полезных сводных характеристик, таких как «количество зерен» и «площадь внутренней границы» из необработанного Данные рентгеновской КТ.
Затем эти переменные функции были проанализированы с использованием различных методов статистического машинного обучения, которые позволили команде: (1) объективно различать различные микроструктуры, возникающие в результате различий в обработке; (2) систематически отслеживать эволюцию микроструктуры при старении; и (3) построить модели производительности, зависящие от микроструктуры.
«С повышенным акцентом на исследования, ориентированные на данные, основанные на искусственном интеллекте, парадигма того, как мы подходим к построению моделей и обнаружению материалов, быстро меняется», — говорит ведущий автор Амитеш Маити. «Темпы и качество прогресса в решающей степени зависят от такого сотрудничества многих групп, которое объединяет дополнительные знания и навыки».
По словам главного исследователя проекта Ричарда Джи: «Разработка и внедрение этих методов дают возможность определить комплексное влияние параметров обработки и старения на производительность материалов, имеющих отношение к запасам. Полученные данные должны позволить оптимизировать конструкцию компонентов и прогноз долгосрочных изменений производительности, вызванных возрастом, что имеет большое значение для совершенствования методов наблюдения ».
