As estruturas e propriedades microscópicas dos materiais estão intimamente ligadas, e personalizá-los é um desafio. Os engenheiros da Rice University estão determinados a simplificar o processo por meio do aprendizado de máquina.

Para esse fim, o cientista do laboratório de materiais do Rice, Ming Tang, em colaboração com o físico Fei Zhou no Laboratório Nacional Lawrence Livermore, introduziu uma técnica para prever a evolução das microestruturas - características estruturais entre 10 nanômetros e 100 mícrons - em materiais.

Seu artigo de acesso aberto no jornal Cell Press Padrões mostra como as redes neurais (modelos de computador que imitam os neurônios do cérebro) podem se treinar para prever como uma estrutura crescerá em um determinado ambiente, muito parecido com um floco de neve se forma a partir da umidade na natureza.

Na verdade, como um floco de neve, estruturas de cristal dendríticas foram um dos exemplos que o laboratório usou em seu estudo de prova de conceito.

"Na ciência material moderna, é amplamente aceito que a microestrutura muitas vezes desempenha um papel crítico no controle das propriedades de um material, "Tang disse." Você não quer apenas controlar como os átomos são organizados nas redes, mas também a aparência da microestrutura, para oferecer um bom desempenho e até novas funcionalidades.

"O Santo Graal de projetar materiais é ser capaz de prever como uma microestrutura mudará sob determinadas condições, se o aquecemos ou aplicamos estresse ou algum outro tipo de estimulação, " ele disse.

Tang trabalhou para refinar a previsão da microestrutura durante toda a sua carreira, mas disse que a abordagem tradicional baseada em equações enfrenta desafios significativos para permitir que os cientistas acompanhem a demanda por novos materiais.

"O enorme progresso no aprendizado de máquina encorajou Fei da Lawrence Livermore e nós a ver se poderíamos aplicá-lo aos materiais, " ele disse.

Felizmente, havia muitos dados do método tradicional para ajudar a treinar as redes neurais da equipe, que visualizam a evolução inicial das microestruturas para prever a próxima etapa, e o próximo, e assim por diante.

"É nisso que as máquinas são boas, vendo a correlação de uma forma muito complexa que a mente humana não é capaz de, "Tang disse." Tiramos vantagem disso. "

Os pesquisadores testaram suas redes neurais em quatro tipos distintos de microestrutura:propagação de ondas planas, Crescimento de grãos, decomposição espinodal e crescimento de cristal dendrítico.

Em cada teste, as redes foram alimentadas entre 1, 000 e 2, 000 conjuntos de 20 imagens sucessivas que ilustram a evolução da microestrutura de um material conforme previsto pelas equações. Depois de aprender as regras de evolução a partir desses dados, a rede recebeu de 1 a 10 imagens para prever os próximos 50 a 200 quadros, e geralmente em segundos.

As vantagens da nova técnica rapidamente ficaram claras:as redes neurais, alimentado por processadores gráficos, acelerou os cálculos em até 718 vezes para o crescimento de grãos, em comparação com o algoritmo anterior. Quando executado em um processador central padrão, eles ainda eram até 87 vezes mais rápidos do que o método antigo. A previsão de outros tipos de evolução da microestrutura mostrou-se semelhante, embora não tão dramático, a velocidade aumenta.

As comparações com imagens do método de simulação tradicional provaram que as previsões foram bastante acertadas, Tang disse. "Baseado nisso, vemos como podemos atualizar os parâmetros para tornar a previsão cada vez mais precisa, "ele disse." Então, podemos usar essas previsões para ajudar a projetar materiais que não vimos antes.

"Outro benefício é que ele é capaz de fazer previsões mesmo quando não sabemos tudo sobre as propriedades dos materiais em um sistema, "Tang disse." Não poderíamos fazer isso com o método baseado em equações, que precisa saber todos os valores dos parâmetros nas equações para realizar simulações. "

Tang disse que a eficiência de computação das redes neurais pode acelerar o desenvolvimento de novos materiais. Ele espera que isso seja útil no projeto contínuo de seu laboratório de baterias mais eficientes. "Estamos pensando em novas estruturas tridimensionais que ajudarão a carregar e descarregar baterias muito mais rápido do que temos agora, "Tang disse." Este é um problema de otimização perfeito para nossa nova abordagem. "