La nueva estrategia pone la evolución de las estructuras microscópicas en el camino correcto

Las estructuras y propiedades microscópicas de los materiales están estrechamente vinculadas y personalizarlas es un desafío. Los ingenieros de Rice University están decididos a simplificar el proceso mediante el aprendizaje automático.

Con este fin, el científico de materiales de Rice Ming Tang, en colaboración con el físico Fei Zhou del Laboratorio Nacional Lawrence Livermore, introdujo una técnica para predecir la evolución de microestructuras – características estructurales entre 10 nanómetros y 100 micrones – en materiales.

Su artículo de acceso abierto en el periódico Cell Press Estándares Show Redes neuronales (modelos informáticos que imitan las neuronas en el cerebro) pueden entrenarse para predecir cómo crecerá una estructura en un entorno determinado, de la misma manera que se forma un copo de nieve con la humedad en la naturaleza.

De hecho, las estructuras dendríticas cristalinas similares a los copos de nieve fueron uno de los ejemplos que utilizó el laboratorio en su estudio de prueba de concepto.

«En la ciencia de los materiales moderna, está ampliamente aceptado que la microestructura a menudo juega un papel crítico en el control de las propiedades de un material», dijo Tang. “No solo quieres controlar cómo se organizan los átomos en las redes, sino también la apariencia de la microestructura, para que funcione bien e incluso nuevas características.

«El Santo Grial del diseño de materiales es poder predecir cómo cambiará una microestructura bajo ciertas condiciones, ya sea que la calientemos o apliquemos estrés o algún otro tipo de estimulación», dijo.

Tang ha trabajado para refinar el pronóstico de microestructuras a lo largo de su carrera, pero dijo que el enfoque tradicional basado en ecuaciones enfrenta desafíos significativos para permitir a los científicos mantenerse al día con la demanda de nuevos materiales.

«El tremendo progreso en el aprendizaje automático nos animó a Fei en Lawrence Livermore ya nosotros a ver si podíamos aplicarlo a los materiales», dijo.

Afortunadamente, había muchos datos del método tradicional para ayudar a entrenar las redes neuronales del equipo, que visualizan la evolución inicial de las microestructuras para predecir el siguiente paso, el siguiente, etc.

«Esto es en lo que las máquinas son buenas, viendo la correlación de una manera muy compleja que la mente humana no es capaz de hacer», dijo Tang. «Nos aprovechamos de eso».

Los investigadores probaron sus redes neuronales en cuatro tipos distintos de microestructura: propagación de ondas planas, crecimiento de granos, descomposición espinodal y crecimiento de cristales dendríticos.

En cada prueba, las redes se alimentaron entre 1.000 y 2.000 conjuntos de 20 imágenes sucesivas que ilustran la evolución de la microestructura de un material según lo predicho por las ecuaciones. Después de aprender las reglas de la evolución a partir de estos datos, el la red recibió de 1 a 10 imágenes para predecir los siguientes 50 a 200 fotogramas y, por lo general, lo hizo en segundos.

Las ventajas de la nueva técnica se hicieron evidentes rápidamente: las redes neuronales, impulsadas por procesadores gráficos, aceleraron los cálculos hasta 718 veces para el crecimiento del grano, en comparación con el algoritmo anterior. Cuando se ejecutaban en un procesador central estándar, seguían siendo hasta 87 veces más rápidos que el método anterior. La predicción de otros tipos de Microestructura La evolución ha mostrado incrementos de velocidad similares, aunque no tan dramáticos.

Las comparaciones con imágenes del método de simulación tradicional demostraron que las predicciones eran correctas, dijo Tang. «Con base en eso, vemos cómo podemos actualizar los parámetros para hacer que el pronóstico sea cada vez más preciso», dijo. «Entonces, podemos usar estas predicciones para ayudar a diseñar materiales que no hemos visto antes.

«Otro beneficio es que puede hacer predicciones incluso cuando no sabemos todo sobre las propiedades del material en un sistema», dijo Tang. «No podríamos hacer eso con el método basado en ecuaciones, que necesita conocer todos los valores de los parámetros en las ecuaciones para realizar simulaciones».

Tang dijo que la eficiencia informática de las redes neuronales podría acelerar el desarrollo de nuevos materiales. Espera que esto sea útil en el diseño continuo de su laboratorio de baterías más eficiente. «Estamos pensando en nuevas estructuras tridimensionales que ayudarán a cargar y descargar las baterías mucho más rápido de lo que tenemos ahora», dijo Tang. «Esto es un problema de optimizacion esto es perfecto para nuestro nuevo enfoque. »