Os cientistas do Lawrence Livermore National Laboratory (LLNL) deram um passo à frente no projeto de materiais futuros com desempenho aprimorado, analisando sua microestrutura usando IA.

O trabalho apareceu recentemente online no jornal Ciência de Materiais Computacionais .

O progresso tecnológico nas aplicações da ciência dos materiais, abrangendo a eletrônica, biomédico, energia alternativa, eletrólito, O projeto do catalisador e além é frequentemente prejudicado pela falta de compreensão das relações complexas entre a microestrutura do material subjacente e o desempenho do dispositivo. Mas a análise de dados baseada em IA oferece oportunidades que podem acelerar o projeto e a otimização de materiais, elucidando as correlações de desempenho de processamento de uma forma matematicamente tratável.

Desenvolvimentos recentes em métodos de "aprendizagem profunda" baseados em redes neurais artificiais revolucionaram o processo de descoberta de tais relações intrincadas usando os próprios dados brutos. Contudo, para treinar grandes redes de forma confiável, são necessários dados de dezenas de milhares de amostras, que, infelizmente, é frequentemente proibitivo em novos sistemas e novas aplicações devido ao custo de preparação de amostras e coleta de dados. Em situações como essas, algoritmos inovadores são necessários para extrair os "recursos" ou "descritores" mais apropriados dos dados brutos de caracterização experimental.

Como um exemplo, Os altos explosivos ligados com polímero constituem um sistema de materiais importante, cuja microestrutura bifásica 3-D pode:(1) variar muito, dependendo dos parâmetros de processamento, como morfologia de partículas de alta energia e distribuição de tamanho, conteúdo do fichário, solventes / taxas de agitação, forças urgentes, temperatura, etc .; (2) evoluir ao longo do envelhecimento do material de longo prazo sob condições ambientais variáveis; e (3) exibir variação no desempenho em função da microestrutura e idade da amostra.

Embora cada microestrutura 3-D possa ter imagens não destrutivas com varreduras de TC de raios-X (em vários pontos de tempo), o processo de coleta de dados é demorado e caro, o que limita o número de amostras a apenas algumas centenas. O desafio é fazer o melhor uso de tais dados limitados para descobrir quaisquer correlações de desempenho de microestrutura de processo, quantificar as tendências de envelhecimento de longo prazo, fornecem insights em microescala sobre códigos de simulação com base na física, e projetar materiais futuros com desempenho aprimorado.

Uma equipe de cientistas de materiais LLNL e cientistas de visualização de dados no LLNL e na Universidade de Utah usaram métodos recentemente desenvolvidos em topologia de campo escalar e teoria de Morse para extrair recursos de resumo úteis como "contagem de grãos" e "área de superfície de limite interno" do material bruto Dados de TC de raios-X.

Essas variáveis ​​de recursos foram então analisadas usando uma variedade de técnicas estatísticas de aprendizado de máquina, que permitiu à equipe:(1) distinguir objetivamente diferentes microestruturas resultantes de diferenças de processamento; (2) acompanhar sistematicamente a evolução da microestrutura sob o envelhecimento; e (3) construir modelos de desempenho dependentes da microestrutura.

"Com maior ênfase na pesquisa centrada em dados inspirada em IA, o paradigma de como abordamos a construção de modelos e descoberta de materiais está mudando rapidamente, "de acordo com o autor principal Amitesh Maiti." O ritmo e a qualidade do progresso dependem criticamente dessas colaborações de várias equipes que reúnem conhecimentos e habilidades complementares. "

Nas palavras do investigador principal do projeto, Richard Gee:"O desenvolvimento e implantação desses métodos estão proporcionando os meios para identificar efeitos complexos de parâmetros de processamento e envelhecimento sobre o desempenho de materiais relevantes para o estoque. Os insights resultantes devem permitir a otimização do projeto do componente e o previsão de mudança de desempenho induzida pela idade a longo prazo, o que é de grande valor para práticas de vigilância aprimoradas. "