Redes neuronales para repensar el diseño de materiales

Las estructuras microscópicas y las propiedades de los materiales están estrechamente relacionadas y personalizarlas es un desafío. Los ingenieros de Rice University están decididos a utilizar el aprendizaje automático para facilitar el proceso.

Para ello, el laboratorio de arroz del científico de materiales Ming Tang, en colaboración con el físico Fei Zhou del Laboratorio Nacional Lawrence Livermore, introdujo una técnica para predecir el desarrollo de microestructuras -características estructurales entre 10 nanómetros y 100 micrómetros- en materiales.

Su artículo de acceso abierto en Cell Press Journal Patterns muestra cómo las redes neuronales (modelos informáticos que imitan las neuronas del cerebro) pueden prepararse para predecir cómo crecerá una estructura en un entorno determinado, de forma muy similar a como un copo de nieve crecerá a partir de las formas de humedad en naturaleza.

De hecho, las estructuras cristalinas dendríticas similares a copos de nieve fueron uno de los ejemplos que utilizó el laboratorio en su estudio de prueba de concepto.

“Está generalmente aceptado en la ciencia moderna de los materiales que la microestructura a menudo juega un papel crucial en el control de las propiedades del material”, dijo Tang. “No solo se desea controlar cómo se organizan los átomos en las redes, sino también cómo se ve la microestructura. , para obtener un buen rendimiento e incluso nuevas funciones.

“El santo grial en el diseño de materiales es poder predecir cómo cambiará una microestructura bajo ciertas condiciones, ya sea que la calientemos o apliquemos estrés o algún otro tipo de estimulación”, dijo.

Tang ha trabajado para refinar la predicción de microestructuras a lo largo de su carrera, pero dijo que el enfoque tradicional basado en ecuaciones enfrenta grandes desafíos para que los científicos sigan el ritmo de la demanda de nuevos materiales.

READ  Luna llena en Halloween 2020: rara luna azul para iluminar el cielo

“Los tremendos avances en el aprendizaje automático nos animaron a Fei en Lawrence Livermore ya nosotros a ver si podíamos aplicarlo a los materiales”, dijo.

Afortunadamente, había una gran cantidad de datos del método tradicional para entrenar las redes neuronales del equipo mirando la evolución temprana de las microestructuras para predecir el paso siguiente y el siguiente, y así sucesivamente.

“Para esto es buena la maquinaria, cuando ves la correlación de una manera muy compleja que la mente humana no puede”, dijo Tang. “Nos estamos aprovechando de eso”.

Los investigadores probaron sus redes neuronales en cuatro tipos diferentes de microestructuras: propagación de ondas planas, crecimiento de granos, descomposición espinodal y crecimiento de cristales dendríticos.

En cada prueba, las redes se alimentaron entre 1.000 y 2.000 conjuntos de 20 imágenes consecutivas que ilustran la evolución de la microestructura de un material predicho por las ecuaciones. Después de aprender las reglas evolutivas de estos datos, la red recibió de 1 a 10 imágenes para predecir las próximas 50 a 200 imágenes, generalmente en segundos.

Las ventajas de la nueva tecnología se hicieron evidentes rápidamente: las redes neuronales operadas por procesadores gráficos aceleraron los cálculos para el crecimiento del grano hasta 718 veces en comparación con el algoritmo anterior. En un procesador central estándar, todavía eran hasta 87 veces más rápidos que el método anterior. La predicción de otros tipos de evolución de microestructuras mostró aumentos de velocidad similares, si no tan dramáticos.

Las comparaciones con imágenes del método de simulación tradicional mostraron que las predicciones eran en gran parte precisas, dijo Tang. “Basándonos en esto, vemos cómo podemos actualizar los parámetros para hacer la predicción cada vez más precisa”, dijo. “Entonces podemos usar esas predicciones para diseñar materiales que no hemos visto antes.

READ  La NASA comparte una imagen impresionante de 'Wolf Moon' y explica que es

“Otra ventaja es que puede hacer predicciones incluso si no sabemos todo sobre las propiedades de los materiales en un sistema”, dijo Tang. “Con el método basado en ecuaciones, en el que se deben conocer todos los valores de los parámetros en las ecuaciones para ejecutar simulaciones esto no es posible “.

Tang dijo que la eficiencia computacional de las redes neuronales podría acelerar el desarrollo de nuevos materiales. Él cree que esto ayudará a medida que se sigan desarrollando baterías más eficientes en su laboratorio. “Estamos pensando en estructuras tridimensionales novedosas que permitirán que las baterías se carguen y descarguen mucho más rápido de lo que son ahora”, dijo Tang. “Este es un problema de optimización que es perfecto para nuestro nuevo enfoque”.

/ Lanzamiento público. Este material es de la organización original y puede ser de naturaleza temporal y puede ser editado para mayor claridad, estilo y extensión. Vista completa Aquí.

Estaremos encantados de escuchar lo que piensas

Deje una respuesta

Malviticias