p O Laboratório Nacional Lawrence Livermore (LLNL) e seus parceiros contam com o desenvolvimento e implantação oportuna de diversos materiais para apoiar uma variedade de missões de segurança nacional. Contudo, o desenvolvimento e a implantação de materiais podem levar muitos anos, desde a descoberta inicial de um novo material até a implantação em escala. p Uma equipe interdisciplinar de pesquisadores LLNL das Ciências Físicas e da Vida, As diretorias de computação e engenharia estão desenvolvendo técnicas de aprendizado de máquina para remover gargalos no ciclo de desenvolvimento, e, por sua vez, reduzindo drasticamente o tempo de implantação.

p Um desses gargalos é a quantidade de esforço necessária para testar e avaliar o desempenho dos materiais candidatos, como TATB, um alto explosivo insensível de interesse tanto para o Departamento de Energia quanto para o Departamento de Defesa. As amostras TATB podem exibir diferentes características de cristal (por exemplo, tamanho e textura) e, portanto, diferem dramaticamente no desempenho devido a pequenas variações nas condições sob as quais a reação de síntese ocorreu.

p A equipe LLNL está procurando uma nova abordagem para prever propriedades de materiais. Ao aplicar visão computacional e aprendizado de máquina com base em imagens de microscopia eletrônica de varredura (SEM) de pó TATB bruto, eles evitaram a necessidade de fabricação e teste físico de uma peça. A equipe mostrou que é possível treinar modelos para prever o desempenho do material com base apenas no SEM, demonstrando uma redução de erro de 24 por cento sobre a abordagem de liderança atual (ou seja, avaliação de especialista de domínio e dados do instrumento). Além disso, a equipe mostrou que os modelos de aprendizado de máquina podem descobrir e usar atributos de cristal informativos, quais especialistas do domínio subutilizaram.

p De acordo com o cientista da computação Brian Gallagher do LLNL, autor principal de um artigo publicado na revista Materials and Design:"Nosso objetivo não é apenas prever com precisão o desempenho do material, mas para fornecer feedback aos experimentalistas sobre como alterar as condições de síntese para produzir materiais de alto desempenho. Esses resultados nos colocam um passo mais perto desse objetivo. "

p Yong Han, cientista de materiais do LLNL, investigador principal e autor correspondente do artigo, acrescentou:"Nosso trabalho demonstra a utilidade de aplicar novas abordagens de aprendizado de máquina para resolver problemas difíceis de ciência de materiais. Pretendemos expandir esse trabalho para lidar com a dispersão de dados, explicabilidade, incerteza e desenvolvimento de modelo ciente de domínio. "