Las estructuras microscópicas y las propiedades de los materiales están íntimamente vinculadas y personalizarlas es un desafío. Los ingenieros de la Universidad de Rice 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 en el 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, de forma muy similar a como se forma un copo de nieve a partir de la humedad de la naturaleza.
De hecho, las estructuras cristalinas dendríticas similares a copos de nieve fueron uno de los ejemplos que el laboratorio utilizó en su estudio de prueba de concepto.
"En la ciencia moderna de los materiales, está ampliamente aceptado que la microestructura a menudo juega un papel crítico en el control de las propiedades de un material", dijo Tang. "No solo desea controlar cómo se organizan los átomos en las redes, sino también cómo se ve la microestructuracomo, 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, ya sea que la calientemos o apliquemos estrés o algún otro tipo de estimulación", 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 importantes para permitir a los científicos mantenerse al día con la demanda de nuevos materiales.
"El tremendo progreso en el aprendizaje automático alentó a Fei en Lawrence Livermore y a nosotros a ver si podíamos aplicarlo a los materiales", 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, y así sucesivamente.
"Para esto es buena la maquinaria, ver 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 de granos, descomposición espinodal y crecimiento de cristales dendríticos.
En cada prueba, las redes se alimentaron entre 1000 y 2000 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 de estos datos, la red recibió de 1 a 10 imágenes parapredecir los próximos 50 a 200 fotogramas y, por lo general, lo hizo en segundos.
Las ventajas de la nueva técnica se hicieron evidentes rápidamente: las redes neuronales, impulsadas por procesadores gráficos, aceleraron los cálculos hasta 718 veces para el crecimiento del grano, en comparación con el algoritmo anterior. Cuando se ejecutan en un procesador central estándar, todavía eran hasta 87veces más rápido que el método anterior. La predicción de otros tipos de evolución de la microestructura mostró aumentos de velocidad similares, aunque no tan dramáticos.
Las comparaciones con imágenes del método de simulación tradicional demostraron que las predicciones fueron en gran medida acertadas, dijo Tang. "Basándonos en eso, vemos cómo podemos actualizar los parámetros para hacer la predicción cada vez más precisa", dijo. "Luego,podemos usar estas predicciones para ayudar a diseñar materiales que no hemos visto antes.
"Otro beneficio es que es capaz de 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 saber todolos valores de los parámetros en las ecuaciones para realizar simulaciones. "
Tang dijo que la eficiencia de cálculo de las redes neuronales podría acelerar el desarrollo de materiales novedosos. Él espera que eso sea útil en el diseño continuo de baterías más eficientes de su laboratorio. "Estamos pensando en estructuras tridimensionales novedosas que ayudarán a cargar ydescargar 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 ".
Mars tiene los ingredientes adecuados para la vida microbiana actual debajo de su superficie, según un estudio
Los astrónomos lanzan un nuevo mapa celeste de los alcances exteriores de la Vía Láctea
El helicóptero Ingenuity Mars de la NASA tiene éxito en el histórico primer vuelo
Efectos genéticos de la radiación de Chernobyl
La nueva tecnología CRISPR ofrece un control incomparable de la herencia epigenética
La ola debajo de sus alas
Red cuántica basada en enredos