A pesquisa científica moderna sobre materiais depende fortemente da exploração de seu comportamento nas escalas atômica e molecular. Por essa razão, os cientistas estão constantemente em busca de métodos novos e aprimorados para coleta de dados e análise de materiais nessas escalas.

Pesquisadores do Center for Nanoscale Materials (CNM), uma instalação do usuário do Office of Science do Departamento de Energia dos EUA (DOE) localizada no Laboratório Nacional de Argonne do DOE, inventaram um algoritmo baseado em aprendizado de máquina para caracterizar quantitativamente, em três dimensões, materiais com recursos tão pequenos quanto nanômetros. Os pesquisadores podem aplicar esta descoberta fundamental à análise da maioria dos materiais estruturais de interesse da indústria.

"O que torna nosso algoritmo único é que, se você começar com um material para o qual não sabe essencialmente nada sobre a microestrutura, será, em segundos, diga ao usuário a microestrutura exata em todas as três dimensões, "disse o Subramanian Sankaranarayanan, líder do grupo de teoria e modelagem CNM e professor associado do Departamento de Engenharia Mecânica e Industrial da Universidade de Illinois em Chicago.

"Por exemplo, com dados analisados ​​por nossa ferramenta 3-D, "disse Henry Chan, Pesquisador de pós-doutorado da CNM e principal autor do estudo, "Os usuários podem detectar falhas e rachaduras e, potencialmente, prever o tempo de vida sob diferentes tensões e deformações para todos os tipos de materiais estruturais."

A maioria dos materiais estruturais são policristalinos, o que significa que uma amostra usada para fins de análise pode conter milhões de grãos. O tamanho e a distribuição desses grãos e os vazios dentro de uma amostra são características microestruturais críticas que afetam aspectos físicos importantes, mecânico, óptico, propriedades químicas e térmicas. Esse conhecimento é importante, por exemplo, à descoberta de novos materiais com as propriedades desejadas, como componentes de máquina mais fortes e mais duros que duram mais.

No passado, os cientistas visualizaram características microestruturais 3-D dentro de um material tirando instantâneos na microescala de muitas fatias 2-D, processar as fatias individuais, e depois colá-los para formar uma imagem 3-D. Esse é o caso, por exemplo, com a rotina de tomografia computadorizada feita em hospitais. Esse processo, Contudo, é ineficiente e leva à perda de informações. Pesquisadores têm procurado, portanto, melhores métodos para análises 3-D.

"Inicialmente, "disse Mathew Cherukara, um cientista assistente no CNM, "pensamos em projetar um algoritmo baseado em interceptação para pesquisar todos os limites entre os numerosos grãos na amostra até mapear toda a microestrutura em todas as três dimensões, mas como você pode imaginar, com milhões de grãos, isso consome muito tempo e é ineficiente. "

"A beleza de nosso algoritmo de aprendizado de máquina é que ele usa um algoritmo não supervisionado para lidar com o problema de limite e produzir resultados altamente precisos com alta eficiência, "disse Chan." Juntamente com as técnicas de down-sampling, leva apenas alguns segundos para processar grandes amostras 3-D e obter informações microestruturais precisas que são robustas e resilientes a ruídos. "

A equipe testou com sucesso o algoritmo em comparação com dados obtidos a partir de análises de vários metais diferentes (alumínio, ferro, silício e titânio) e materiais macios (polímeros e micelas). Esses dados vieram de experimentos publicados anteriormente, bem como simulações de computador executadas em duas instalações do usuário do DOE Office of Science, o Argonne Leadership Computing Facility e o National Energy Research Scientific Computing Center. Também usados ​​nesta pesquisa foram o Laboratory Computing Resource Center em Argonne e o Carbon Cluster em CNM.

"Para pesquisadores que usam nossa ferramenta, a principal vantagem não é apenas a impressionante imagem 3-D gerada, mas, mais importante, os dados detalhados de caracterização, "disse Sankaranarayanan." Eles podem até mesmo rastrear quantitativa e visualmente a evolução de uma microestrutura conforme ela muda em tempo real. "

O algoritmo de aprendizado de máquina não se restringe a sólidos. A equipe o estendeu para incluir a caracterização da distribuição de clusters moleculares em fluidos com energia importante, aplicações químicas e biológicas.

Esta ferramenta de aprendizado de máquina deve ser especialmente impactante para análises em tempo real futuras de dados obtidos de grandes instalações de caracterização de materiais, como a Advanced Photon Source, outro DOE Office of Science User Facility em Argonne, e outros síncrotrons ao redor do mundo.

Este estudo, intitulado "O aprendizado de máquina permitiu a caracterização microestrutural autônoma em amostras 3-D, " apareceu em npj materiais computacionais .