p Para engenheiros que desenvolvem novos materiais ou revestimentos de proteção, existem bilhões de possibilidades diferentes para classificar. Testes de laboratório ou até simulações de computador detalhadas para determinar suas propriedades exatas, como resistência, pode levar horas, dias, ou mais para cada variação. Agora, uma nova abordagem baseada em inteligência artificial desenvolvida no MIT poderia reduzir isso a uma questão de milissegundos, tornando prático a tela de vastas matrizes de materiais candidatos. p O sistema, que os pesquisadores do MIT esperam que possa ser usado para desenvolver revestimentos de proteção mais fortes ou materiais estruturais, por exemplo, para proteger aeronaves ou espaçonaves de impactos - é descrito em um artigo no jornal Matéria , pelo pós-doutorado do MIT Chi-Hua Yu, professor de engenharia civil e ambiental e chefe de departamento Markus J. Buehler, e Yu-Chuan Hsu na Universidade Nacional de Taiwan.

p O foco deste trabalho era prever a forma como um material se quebraria ou fraturaria, analisando a propagação de fissuras através da estrutura molecular do material. Buehler e seus colegas passaram muitos anos estudando fraturas e outros modos de falha em grande detalhe, uma vez que compreender os processos de falha é a chave para o desenvolvimento robusto, materiais confiáveis. "Uma das especialidades do meu laboratório é usar o que chamamos de simulações de dinâmica molecular, ou basicamente simulações átomo por átomo "de tais processos, Buehler diz.

p Essas simulações fornecem uma descrição quimicamente precisa de como a fratura acontece, ele diz. Mas é lento, porque requer a resolução de equações de movimento para cada átomo. “Leva muito tempo para simular esses processos, ", diz ele. A equipe decidiu explorar maneiras de agilizar esse processo, usando um sistema de aprendizado de máquina.

p "Estamos fazendo um desvio, "ele diz." Temos perguntado, e se você tivesse apenas a observação de como acontece a fratura [em um determinado material], e deixar os computadores aprenderem essa relação por si próprios? "Para fazer isso, Os sistemas de inteligência artificial (IA) precisam de uma variedade de exemplos para usar como um conjunto de treinamento, aprender sobre as correlações entre as características do material e seu desempenho.

p Nesse caso, eles estavam olhando para uma variedade de compostos, revestimentos em camadas feitos de materiais cristalinos. As variáveis ​​incluíram a composição das camadas e as orientações relativas de suas estruturas cristalinas ordenadas, e a forma como cada um desses materiais respondeu à fratura, com base nas simulações de dinâmica molecular. "Basicamente simulamos, átomo por átomo, como os materiais quebram, e registramos essas informações, "Buehler diz.

p Eles geraram meticulosamente centenas dessas simulações, com uma grande variedade de estruturas, e sujeitou cada um a muitas fraturas simuladas diferentes. Em seguida, eles alimentaram grandes quantidades de dados sobre todas essas simulações em seu sistema de IA, para ver se ele poderia descobrir os princípios físicos subjacentes e prever o desempenho de um novo material que não fazia parte do conjunto de treinamento.

p E assim foi. "Essa é a coisa realmente empolgante, "Buehler diz, "porque a simulação de computador por meio de IA pode fazer o que normalmente leva muito tempo usando a dinâmica molecular, ou usando simulações de elementos finitos, que são outra maneira de os engenheiros resolverem esse problema, e é muito lento também. Então, esta é uma maneira totalmente nova de simular como os materiais falham. "

p Como os materiais falham é uma informação crucial para qualquer projeto de engenharia, Buehler enfatiza. Falhas de materiais, como fraturas, são "um dos maiores motivos de perdas em qualquer setor. Para inspecionar aviões, trens ou carros, ou para estradas ou infraestrutura, ou concreto, ou corrosão do aço, ou para entender a fratura de tecidos biológicos, como osso, a capacidade de simular fraturamento com IA, e fazer isso de forma rápida e eficiente, é uma verdadeira virada de jogo. "

p A melhora na velocidade produzida pelo uso desse método é notável. Hsu explica que "para simulações simples em dinâmica molecular, levou várias horas para executar as simulações, mas nesta previsão de inteligência artificial, leva apenas 10 milissegundos para passar por todas as previsões dos padrões, e mostrar como uma rachadura se forma passo a passo. "

p O método que desenvolveram é bastante generalizável, Buehler diz. "Mesmo que em nosso artigo nós o aplicássemos apenas a um material com orientações de cristal diferentes, você pode aplicar esta metodologia a materiais muito mais complexos. "E embora eles usassem dados de simulações atomísticas, o sistema também pode ser usado para fazer previsões com base em dados experimentais, como imagens de um material em fraturamento.

p "Se tivéssemos um novo material que nunca simulamos antes, " ele diz, "se tivermos muitas imagens do processo de fraturamento, podemos alimentar esses dados no modelo de aprendizado de máquina também. "Qualquer que seja a entrada, simulado ou experimental, o sistema de IA passa essencialmente pelo processo evolutivo quadro a quadro, observando como cada imagem difere da anterior para aprender a dinâmica subjacente.

p Por exemplo, à medida que os pesquisadores fazem uso das novas instalações do MIT.nano, as instalações do Instituto dedicadas à fabricação e teste de materiais em nanoescala, grandes quantidades de novos dados sobre uma variedade de materiais sintetizados serão gerados.

p "Como temos cada vez mais técnicas experimentais de alto rendimento que podem produzir muitas imagens muito rapidamente, de forma automatizada, esse tipo de fonte de dados pode ser alimentado imediatamente no modelo de aprendizado de máquina, "Buehler diz." Nós realmente pensamos que o futuro será aquele em que teremos muito mais integração entre experimento e simulação, muito mais do que no passado. "

p O sistema pode ser aplicado não apenas ao fraturamento, como a equipe fez nesta demonstração inicial, mas para uma ampla variedade de processos que se desdobram ao longo do tempo, ele diz, como a difusão de um material para outro, ou processos de corrosão. "Sempre que houver evoluções de campos físicos, e queremos saber como esses campos evoluem em função da microestrutura, " ele diz, este método pode ser uma benção.