С этой целью Райс-лаборатория материаловеда Мин Тана в сотрудничестве с физиком Фей Чжоу из Ливерморской национальной лаборатории Лоуренса представила метод прогнозирования эволюции микроструктур – структурных особенностей от 10 до 100 микрон – в материалах.
Их статья в открытом доступе в журнале Cell Press Patterns показывает, как нейронные сети (компьютерные модели, имитирующие нейроны мозга) могут обучаться предсказывать, как структура будет расти в определенной среде, подобно тому, как снежинка образуется из влаги в природе.
Фактически, подобные снежинке дендритные кристаллические структуры были одним из примеров, которые лаборатория использовала в своем экспериментальном исследовании.
«В современном материаловедении широко признано, что микроструктура часто играет решающую роль в управлении свойствами материала», – сказал Тан. «Вы хотите контролировать не только расположение атомов на решетках, но и то, как выглядит микроструктура, чтобы обеспечить хорошую производительность и даже новые функциональные возможности.
«Святой Грааль при разработке материалов – это возможность предсказать, как микроструктура изменится в данных условиях, будь то нагревание, стресс или какой-либо другой тип стимуляции», – сказал он.
Тан работал над улучшением прогнозов микроструктуры на протяжении всей своей карьеры, но сказал, что традиционный подход на основе уравнений сталкивается со значительными проблемами, позволяющими ученым не отставать от спроса на новые материалы.
«Огромный прогресс в области машинного обучения побудил Фэя из Лоуренса Ливермора и нас посмотреть, можем ли мы применить его к материалам», – сказал он.
К счастью, было много данных традиционного метода, которые помогли обучить нейронные сети команды, которые просматривают раннюю эволюцию микроструктур, чтобы предсказать следующий шаг, следующий и т. Д.
«Это то, в чем хороши машины, видя корреляцию очень сложным образом, на что человеческий разум не способен», – сказал Тан. "Мы пользуемся этим."
Исследователи протестировали свои нейронные сети на четырех различных типах микроструктуры: распространение плоских волн, рост зерен, спинодальный распад и рост дендритных кристаллов.
В каждом тесте в сети подавалось от 1000 до 2000 наборов из 20 последовательных изображений, иллюстрирующих эволюцию микроструктуры материала в соответствии с уравнениями.
После изучения правил эволюции на основе этих данных, сети было дано от 1 до 10 изображений для предсказания следующих 50-200 кадров, и обычно это делалось за секунды.
Преимущества нового метода быстро стали очевидны: нейронные сети, работающие на графических процессорах, ускорили вычисления до 718 раз для увеличения зерна по сравнению с предыдущим алгоритмом.
При работе на стандартном центральном процессоре они по-прежнему работали до 87 раз быстрее, чем старый метод. Прогнозирование других типов эволюции микроструктуры показало аналогичное, хотя и не такое резкое, увеличение скорости.
Сравнение с изображениями, полученными с помощью традиционного метода моделирования, доказало, что прогнозы в значительной степени верны, сказал Танг. «Основываясь на этом, мы видим, как мы можем обновить параметры, чтобы сделать прогноз все более и более точным», – сказал он. "Тогда мы сможем использовать эти прогнозы, чтобы помочь в разработке материалов, которых мы раньше не видели.
«Еще одно преимущество заключается в том, что он может делать прогнозы, даже когда мы не знаем всего о свойствах материалов в системе», – сказал Тан. "Мы не могли сделать это с помощью метода на основе уравнений, который должен знать все значения параметров в уравнениях для выполнения моделирования."
Тан сказал, что вычислительная эффективность нейронных сетей может ускорить разработку новых материалов. Он ожидает, что это поможет его лаборатории в разработке более эффективных батарей. «Мы думаем о новых трехмерных структурах, которые помогут заряжать и разряжать батареи намного быстрее, чем то, что есть сейчас», – сказал Тан. "Это задача оптимизации, которая идеально подходит для нашего нового подхода."