Uma equipe de pesquisadores da Universidade de Lehigh previu com sucesso o crescimento anormal de grãos em materiais de poliestline simulados-um desenvolvimento que pode levar à criação de materiais mais poderosos e mais confiáveis para o ambiente de alta pressão, como os motores de combustão. Um artigo descrevendo seu novo método de aprendizado de máquina foi publicado recentemente NaturezaO
“Usando simulações, não conseguimos apenas prever o crescimento anormal da colheita, mas quando aumentamos esse crescimento, já conseguimos prever”, o PC Camin College of Engineering de Lehir e aplicamos o professor associado de ciências Brian Wi-Chen e estudo. “Conseguimos prever nos primeiros 20 % desse elemento se um grão específico se tornará anormal em 86 % que observamos”.
Quando metais e cerâmicos entram em contato com o calor contínuo – como a temperatura produzida pelo foguete ou motor de aeronave, por exemplo – eles podem falhar. Esses materiais são feitos de cristais ou grãos e, quando são aquecidos, os átomos podem se afastar, crescendo ou encolhendo os cristais. Quando alguns grãos crescem anormalmente maiores que seus vizinhos, a mudança pode alterar as propriedades do material. Um elemento que tinha alguma flexibilidade antes, por exemplo, poderia se tornar quebradiço.
Chen diz: “Projetamos tais materiais, queremos ser capazes de projetá -los intencionalmente para evitar um crescimento anormal de grãos”, diz Chen.
Uma maneira inteligente de identificar materiais estáveis
Até hoje, no entanto, a previsão do crescimento anormal de grãos se tornou um problema de necessidade —- Hyastack. Existem inúmeras combinações e concentrações que podem ser feitas em um determinado eixo. Cada um desses metais deve ser testado, o que é caro, que consome tempo e muitas vezes irracional. A simulação desenvolvida pela equipe da cadeia ajuda a restringir as possibilidades, removendo as possibilidades de rápido crescimento de grãos anormais.
“Nossos resultados são importantes porque, se você deseja ficar de olho nesse canudo grande de materiais diferentes, não deseja imitá -lo muito tempo antes de saber se o grão anormal está crescendo”, disse ele. “Se você deseja imitar por um curto período de tempo o máximo possível e depois deseja prosseguir”
O desafio é uma rara ocorrência de crescimento anormal de grãos e, no início, grãos que se tornarão incomuns como outros.
Desbloqueie padrões ocultos com IA
Para resolvê-lo, a equipe criou um modelo de educação profunda que combina duas técnicas para analisar como os grãos são desenvolvidos ao longo do tempo: uma rede de memória de curto prazo (LSTM) de longo prazo (LSTM) Model como os recursos do material-ou uma convolução baseada em gráfico pode ser usada para uma rede GCRN (GCRN).
Inicialmente, os pesquisadores esperavam fazer previsões bem -sucedidas. Eles não esperavam ser capazes de prever tão rapidamente.
“Achamos que os dados poderiam ser muito barulhentos”, disse ele. “Talvez as características que estávamos vendo não revelassem muito sobre as anormalidades distantes do futuro, ou talvez as anormalidades apenas nos expressassem exatamente como aconteceu, quando poderia ficar claro para os olhos das pessoas. Mas ficamos surpresos que fomos capazes de prever até agora”.
Essa identificação inicial foi criticada por seus modelos usados para testar as características do grão ao longo do tempo antes da anormalidade.
“A melhor maneira de pensar no grão é anormal é pensar em como eles se desenvolveram antes de mudarem”, disse ele. “Então, na etapa de 10 milhões de vezes antes das anormalidades, por exemplo, elas têm certas características que tinham em 40 milhões de etapas de tempo poderiam ser diferentes dele”.
A equipe alinhou cada simulação na época em que o grão se tornou anormal e trabalhou em examinar seus recursos desenvolvidos. Ao identificar a tendência contínua nessas características, eles foram capazes de adivinhar adequadamente quais grãos se tornariam anormais.
“Se você olhar quanto tempo vê o grão antes de mudar os grãos, verá as tendências compartilhadas que são úteis para a previsão”, disse ele.
Neste projeto, Chen e sua equipe conduziram a simulação de materiais realistas. O próximo episódio é aplicar o procedimento às imagens de materiais reais e ver se eles ainda podem prever o futuro corretamente. O objetivo final, Chen, diz que a identificação de materiais que podem manter suas propriedades físicas sob uma ampla gama de condições de alta pressão, condições de alta pressão. Esses materiais permitem que o motor e as peças do motor funcionem a temperaturas mais altas por mais tempo antes da falha.
Graças à habilidade de identificar a marca de alerta no sistema complexo, a equipe também viu a possibilidade de seu novo procedimento de aprendizado de máquina para prever outros eventos raros no campo da ciência do material. Por exemplo, é possível prever mudanças nos materiais, para ajudar a mover repentinamente as mutações direcionadas para patógenos perigosos ou circunstâncias atmosféricas.
Martin Harmer, professor da Fundação Alcoya do Emérito Lehigh, diz que “este trabalho expõe uma nova e emocionante possibilidade de prever a evolução futura da estrutura material para os cientistas materiais”; Diretor da Iniciativa de Presidente de Presidente de Nano/Interface Humana; E os co-autores do artigo. “Isso terá um grande impacto no design de materiais confiáveis para aplicações espaciais, espaço e comerciais”.
