Die mikroskopischen Strukturen und Eigenschaften von Materialien sind eng miteinander verbunden, und es ist eine Herausforderung, sie maßzuschneidern. Die Ingenieure der Rice University sind bestrebt, den Prozess durch maschinelles Lernen zu vereinfachen.

Zu diesem Zweck führte das Reislabor des Materialwissenschaftlers Ming Tang in Zusammenarbeit mit dem Physiker Fei Zhou vom Lawrence Livermore National Laboratory eine Technik zur Vorhersage der Entwicklung von Mikrostrukturen – Strukturmerkmalen zwischen 10 Nanometern und 100 Mikrometern – in Materialien ein.

Ihr Open-Access-Papier im Cell Press-Tagebuch Muster Zeig dir wie Neuronale Netze (Computermodelle, die die Neuronen des Gehirns imitieren) können sich selbst trainieren, um vorherzusagen, wie eine Struktur unter einer bestimmten Umgebung wachsen wird, ähnlich wie eine Schneeflocke durch Feuchtigkeit in der Natur gebildet wird.

Tatsächlich waren schneeflockenartige, dendritische Kristallstrukturen eines der Beispiele, die das Labor in seiner Proof-of-Concept-Studie verwendete.

„In der modernen Materialwissenschaft ist allgemein anerkannt, dass die Mikrostruktur häufig eine entscheidende Rolle bei der Kontrolle der Eigenschaften eines Materials spielt“, sagte Tang. „Sie möchten nicht nur bestimmen, wie die Atome auf Gittern angeordnet sind, sondern auch, wie die Mikrostruktur aussieht, damit Sie eine gute Leistung und sogar neue Funktionen erhalten.

„Der heilige Gral des Materialdesigns besteht darin, vorhersagen zu können, wie sich eine Mikrostruktur unter bestimmten Bedingungen verändert, ob wir sie erwärmen oder Stress oder eine andere Art von Stimulation anwenden“, sagte er.

Tang hat seine Karriere damit verbracht, die Vorhersage der Mikrostruktur zu verfeinern, sagte jedoch, dass der traditionelle gleichungsbasierte Ansatz vor großen Herausforderungen stehe, damit Wissenschaftler mit der Nachfrage nach neuen Materialien Schritt halten können.

„Die enormen Fortschritte beim maschinellen Lernen haben Fei bei Lawrence Livermore und uns ermutigt, zu prüfen, ob wir es auf Materialien anwenden können“, sagte er.

Glücklicherweise gab es viele Daten aus der traditionellen Methode, um die neuronalen Netze des Teams zu trainieren. Dabei wurde die frühe Entwicklung der Mikrostrukturen untersucht, um den nächsten Schritt und den nächsten vorherzusagen und so weiter.

„Das ist es, was Maschinen gut können, wenn sie die Korrelation auf eine sehr komplexe Weise sehen, zu der der menschliche Geist nicht in der Lage ist“, sagte Tang. „Davon profitieren wir.“

Die Forscher testeten ihre neuronalen Netze an vier verschiedenen Arten von Mikrostrukturen: Ausbreitung ebener Wellen, Kornwachstum, spinodale Auflösung und dendritisches Kristallwachstum.

In jedem Test wurden die Netzwerke zwischen 1.000 und 2.000 Sätzen von 20 aufeinanderfolgenden Bildern gespeist, die die durch die Gleichungen vorhergesagte Mikrostrukturentwicklung eines Materials veranschaulichen. Nach dem Erlernen der Evolutionsregeln aus diesen Daten wird die Netzwerk Dann wurden 1 bis 10 Bilder angezeigt, um die nächsten 50 bis 200 Bilder vorherzusagen, normalerweise in Sekunden.

Die Vorteile der neuen Technik wurden schnell deutlich: Die von Grafikprozessoren betriebenen neuronalen Netze beschleunigten die Berechnungen des Kornwachstums im Vergleich zum vorherigen Algorithmus um das bis zu 718-fache. Auf einem Standard-Zentralprozessor waren sie immer noch bis zu 87-mal schneller als die alte Methode. Die Vorhersage anderer Arten Mikrostruktur Die Evolution zeigte ähnliche, aber nicht so dramatische Geschwindigkeitssteigerungen.

Vergleiche mit Bildern aus der traditionellen Simulationsmethode zeigten, dass die Vorhersagen weitgehend korrekt waren, sagte Tang. „Auf dieser Grundlage sehen wir, wie wir die Parameter aktualisieren können, um die Vorhersage immer genauer zu machen“, sagte er. „Wir können diese Vorhersagen dann verwenden, um Materialien zu entwerfen, die wir zuvor noch nicht gesehen haben.

„Ein weiterer Vorteil ist, dass es Vorhersagen treffen kann, auch wenn wir nicht alles über die Materialeigenschaften in einem System wissen“, sagte Tang. „Mit der gleichungsbasierten Methode, die alle Parameterwerte in den Gleichungen kennen muss, um Simulationen ausführen zu können, konnten wir das nicht tun.“

Tang sagte, die Recheneffizienz neuronaler Netze könne die Entwicklung neuer Materialien beschleunigen. Er erwartet, dass dies für die weitere Entwicklung effizienterer Batterien in seinem Labor nützlich sein wird. „Wir denken an neue dreidimensionale Strukturen, mit denen Batterien viel schneller als bisher geladen und entladen werden können“, sagte Tang. „Das ist ein Optimierungsproblem das passt perfekt zu unserem neuen Ansatz. „“