Pesquisadores da Tampere University of Technology e Aalto University ensinaram algoritmos de aprendizado de máquina para prever como os materiais se expandem. Esta nova aplicação de aprendizado de máquina abre novas oportunidades na física e possíveis aplicações podem ser encontradas no design de novos materiais ideais. O estudo foi publicado na prestigiosa revista. Nature Communications .

A maioria dos objetos regulares tendem a se esticar "uniformemente", que:os cientistas podem prever quanta força é necessária para fazer um material se esticar por uma certa distância. Experimentos recentes mostraram que essas previsões não se sustentam na escala de micrômetro. O estiramento de cristais microscópicos acontece em rajadas discretas com uma distribuição de tamanho muito ampla. Uma vez que as explosões ocorrem esporadicamente, amostras em microescala aparentemente idênticas podem se estender de maneiras muito diferentes. Esta variabilidade das características de resistência das amostras representa um desafio para o desenvolvimento de novos materiais com as propriedades desejadas. Em seu artigo "Aprendizagem de máquina deformação plástica de cristais" publicado em Nature Communications , os pesquisadores usam o aprendizado de máquina para prever as características de amostras individuais.

"Os algoritmos de aprendizado de máquina conseguiram medir o quão previsível é o processo de estiramento de pequenas amostras cristalinas. Isso teria sido praticamente impossível com os meios tradicionais, mas o aprendizado de máquina permite a descoberta de resultados novos e interessantes, "explica o Professor Associado Lasse Laurson do Laboratório de Física da Universidade de Tecnologia de Tampere.

A deformação plástica irreversível de substâncias cristalinas ocorre quando os defeitos cristalográficos, chamados deslocamentos, mover de um local para outro no cristal. Materiais cristalinos, como metais ou gelo quase sempre contêm redes de deslocamentos, com cada cristal contendo sua própria rede.

Os pesquisadores treinaram algoritmos de aprendizado de máquina para reconhecer a conexão entre a estrutura microscópica de um objeto e a quantidade de força necessária para esticar uma amostra. O estudo revelou, entre outras coisas, que a previsibilidade da quantidade de força necessária muda no alongamento da amostra:a princípio, torna-se mais difícil prever a força necessária à medida que o alongamento aumenta, o que depende principalmente da natureza esporádica dos bursts. Surpreendentemente, Contudo, a previsibilidade melhora à medida que o alongamento continua a crescer. O tamanho também afeta a previsibilidade:é mais fácil prever o processo de deformação de cristais maiores do que de cristais menores.

"À medida que o alongamento cresce, o número de rajadas reduz, conseqüentemente melhorando a previsibilidade. Isso é promissor em termos de previsão do rendimento de amostras individuais, que é um objetivo fundamental na física material, "diz Henri Salmenjoki, doutorando do Departamento de Física Aplicada da Aalto University.

"Nossa pesquisa indica que o aprendizado de máquina pode ser usado para prever processos físicos muito complexos e não lineares. Além do desenvolvimento de materiais ideais, possíveis aplicações podem ser encontradas na previsão da dinâmica de muitos outros sistemas complexos, "Laurson explica.