Pesquisadores da Universidade de Waterloo descobriram uma maneira melhor de identificar estruturas atômicas, uma etapa essencial para melhorar a seleção de materiais na aviação, construção e indústrias automotivas.

As descobertas do estudo podem resultar em maior confiança ao determinar a integridade dos metais.

Devinder Kumar, um Ph.D. candidato em engenharia de projeto de sistemas em Waterloo, colaborou com o Instituto Fritz Haber (FHI) em Berlim, para desenvolver um modelo de IA poderoso que pode detectar com precisão diferentes estruturas atômicas em materiais metálicos. O sistema pode encontrar imperfeições no metal que antes eram indetectáveis.

"Onde quer que haja metais, você deseja saber a consistência, e isso não pode ser feito em cenários práticos atuais porque os métodos atuais falham em identificar a simetria em condições imperfeitas, "disse Kumar, que é membro do Grupo de Pesquisa em Processamento de Visão e Imagem sob a supervisão de Alexander Wong, professor da Waterloo and Canada Research Chair na área de inteligência artificial.

"Então, este novo método de avaliação de material metálico levará a um melhor design de material em geral e tem o potencial de afetar todas as indústrias onde você precisa de propriedades de design de material. "

A FHI surgiu com um novo cenário que pode criar artificialmente dados que se relacionam com o mundo real. Kumar, junto com seus colaboradores, foi capaz de usar isso para gerar cerca de 80, 000 imagens dos diferentes tipos de defeitos e deslocamentos para produzir um modelo de IA muito eficaz para identificar vários tipos de estruturas cristalinas em cenários práticos. Esses dados foram divulgados ao público para que as pessoas possam realmente aprender seus próprios algoritmos.

"Em teoria, todos os materiais metálicos têm simetria perfeita, e todos os itens estão no lugar correto, mas na prática, por vários motivos, como fabricação barata, há defeitos, "Kumar disse." Todos esses métodos atuais falham quando tentam combinar estruturas ideais reais, a maioria deles falha quando há até um por cento de defeito. "

"Fizemos um algoritmo ou modelo baseado em IA que pode classificar esses tipos de simetrias até 40 por cento dos defeitos."

O estudo, Classificação perspicaz de estruturas cristalinas usando aprendizado profundo, foi publicado recentemente no jornal Nature Communications .