Ciencias

La IA predice las propiedades de los metamateriales complejos

Dada una pieza de origami 3D, ¿puedes aplanarla sin dañarla? Solo mirando el diseño, la respuesta es difícil de predecir, porque cada pliegue en el diseño debe ser compatible con el plano. Este es un ejemplo de un problema combinatorio. Una nueva investigación dirigida por el Instituto de Física UvA y el instituto de investigación AMOLF ha demostrado que los algoritmos de aprendizaje automático pueden responder con precisión y eficiencia a este tipo de preguntas. Se espera que esto impulse el diseño asistido por IA de (meta) materiales complejos y funcionales.

En su último trabajo, publicado en Cartas de revisión físicael equipo de investigación probó qué tan bien la inteligencia artificial (IA) puede predecir las propiedades de los llamados metamateriales mecánicos combinatorios.

materiales artificiales

Estos son materiales de ingeniería cuyas propiedades están determinadas por su estructura geométrica más que por su composición química. Una pieza de origami también es un tipo de metamaterial, cuya capacidad de aplanarse (una propiedad físicamente bien definida) está determinada por la forma en que se dobla (su estructura), no por el tipo de papel del que está hecho. En términos más generales, el diseño inteligente nos permite controlar con precisión dónde o cómo se doblará, doblará o hinchará un metamaterial, que se puede usar para todo tipo de cosas, desde amortiguadores hasta paneles solares desplegados en un satélite en el espacio.

Un metamaterial combinatorio típico estudiado en el laboratorio está formado por dos o más tipos u orientaciones de bloques de construcción, que se deforman de diferentes maneras cuando se les aplica una fuerza mecánica. Si estos bloques de construcción se combinan al azar, el material en su conjunto generalmente no se deformará bajo presión porque no todos los bloques podrán deformarse de la forma deseada; se atascarán. Donde un bloque de construcción quiere sobresalir hacia afuera, su vecino debe poder apretarse hacia adentro. Para que el metamaterial se deforme fácilmente, todos los bloques de construcción deformados deben encajar como un rompecabezas. Así como cambiar un solo pliegue puede hacer que una pieza de origami sea imposible de planificar, cambiar un solo bloque puede hacer que un metamaterial ‘flojo’ se vuelva rígido.

READ  La nueva cápsula de dragón civil de SpaceX tiene una cúpula de cristal

difícil de predecir

Si bien los metamateriales tienen muchas aplicaciones potenciales, diseñar uno nuevo es un desafío. Comenzar con un conjunto específico de bloques de construcción, deducir las propiedades generales de los metamateriales para diferentes estructuras generalmente se reduce a prueba y error. En estos días, no queremos hacer todo esto a mano. Sin embargo, debido a que las propiedades de los metamateriales combinatorios son tan sensibles a los cambios en los componentes básicos individuales, los métodos numéricos y estadísticos convencionales son lentos y propensos a errores.

En cambio, los investigadores encontraron que el aprendizaje automático podría ser la respuesta: incluso cuando se les da solo un conjunto relativamente pequeño de ejemplos para aprender, las llamadas redes neuronales convolucionales pueden predecir con precisión las propiedades del metamaterial de cualquier configuración de bloque dada. el más fino detalle.

«Esto superó nuestras expectativas», dice el estudiante de doctorado y primer autor Ryan van Mastrigt. «La precisión de las predicciones nos muestra que las redes neuronales realmente han aprendido las reglas matemáticas que subyacen a las propiedades de los metamateriales, incluso cuando no conocemos todas las reglas».

Este hallazgo sugiere que podemos usar la IA para diseñar nuevos metamateriales complejos con propiedades útiles. En términos más generales, la aplicación de redes neuronales a problemas combinatorios nos permite hacer muchas preguntas interesantes. Quizás puedan ayudarnos a resolver problemas (combinatorios) en otros contextos. Y a la inversa, los hallazgos podrían mejorar nuestra comprensión de las propias redes neuronales, por ejemplo, al demostrar cómo la complejidad de una red neuronal se relaciona con la complejidad de los problemas que puede resolver.

READ  Parte del agua lunar puede haber venido de la atmósfera de la Tierra

Prudencia Febo

"Explorador. Entusiasta de la cerveza. Geek del alcohol. Gurú de Internet sutilmente encantador. Erudito de la web en general".

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

Botón volver arriba
Cerrar
Cerrar