Μια νέα στρατηγική θέτει την εξέλιξη των μικροδομών στο γρήγορο δρόμο

Μηχανικοί στο Πανεπιστήμιο Rice και στο Εθνικό Εργαστήριο Lawrence Livermore χρησιμοποιούν νευρικά δίκτυα για να επιταχύνουν την πρόβλεψη για το πώς θα εξελιχθούν οι μικροσκοπικές δομές των υλικών. Αυτό το παράδειγμα προβλέπει την ανάπτυξη δενδριτικών κρυστάλλων σαν νιφάδες χιονιού. Πίστωση: Intermediate Science Material Group / Rice University

Οι μικροδομές και οι ιδιότητες του υλικού σχετίζονται στενά και η προσαρμογή τους είναι μια πρόκληση. Οι μηχανικοί του Πανεπιστημίου Rice είναι αποφασισμένοι να απλοποιήσουν τη διαδικασία μέσω της μηχανικής μάθησης.


Για το σκοπό αυτό, το εργαστήριο Rice του επιστήμονα υλικών Ming Tang, σε συνεργασία με τον φυσικό Fei Zhou στο Εθνικό Εργαστήριο Lawrence Livermore, παρείχε μια τεχνική για την πρόβλεψη της ανάπτυξης μικροδομών – δομικών χαρακτηριστικών μεταξύ 10 νανόμετρων και 100 μικρών – σε υλικά.

Το ανοιχτό τους χαρτί είναι στο Cell Press Σχέδια – ένα σχέδιο Δείχνει πώς Νευρωνικά δίκτυα (Υπολογιστικά μοντέλα που προσομοιώνουν νευρικά κύτταρα στον εγκέφαλο) μπορούν να εκπαιδευτούν για να προβλέψουν πώς μια δομή θα αναπτυχθεί κάτω από ένα δεδομένο περιβάλλον, όπως μια νιφάδα χιονιού που σχηματίζεται από υγρασία στη φύση.

Στην πραγματικότητα, δενδριτικές κρυσταλλικές δομές που μοιάζουν με νιφάδα χιονιού ήταν ένα παράδειγμα του εργαστηρίου που χρησιμοποιήθηκε στη μελέτη απόδειξης της έννοιας.

«Στην επιστήμη των σύγχρονων υλικών, είναι ευρέως αποδεκτό ότι η μικροδομή παίζει συχνά κρίσιμο ρόλο στον έλεγχο των ιδιοτήτων ενός υλικού», δήλωσε ο Τανγκ. «Δεν θέλετε μόνο να ελέγχετε τον τρόπο με τον οποίο τα άτομα είναι διατεταγμένα στις συνάψεις, αλλά και το σχήμα της μικροδομής, για να έχετε καλή απόδοση και ακόμη και νέες λειτουργίες.

“Το ιερό δισκοπότηρο του σχεδιασμού υλικού είναι η ικανότητα πρόβλεψης του τρόπου με τον οποίο η μικροδομή θα αλλάξει υπό ορισμένες συνθήκες, είτε την θερμαίνουμε, θα ασκήσουμε πίεση ή οποιοδήποτε άλλο είδος διέγερσης”, είπε.

Ο Τανγκ έχει εργαστεί για να βελτιώσει την πρόβλεψη της μικροδομής καθ ‘όλη τη διάρκεια της καριέρας του, αλλά είπε ότι η παραδοσιακή εξισωτική προσέγγιση αντιμετωπίζει σημαντικές προκλήσεις για να επιτρέψει στους επιστήμονες να συμβαδίσουν με τη ζήτηση για νέα υλικά.

“Οι τεράστιες εξελίξεις στη μηχανική μάθηση ενθάρρυναν τον Faye στο Lawrence Livermore και εμείς να δούμε αν θα μπορούσαμε να το εφαρμόσουμε σε υλικά”, είπε.

https://www.youtube.com/watch?v=/nWXuAb_JJ0Y

Ευτυχώς, υπήρχαν πολλά δεδομένα από την παραδοσιακή μέθοδο για να βοηθήσουν στην εκπαίδευση των νευρικών δικτύων της ομάδας, η οποία δείχνει την πρώιμη ανάπτυξη μικροδομών για να προβλέψει το επόμενο βήμα, το επόμενο βήμα κ.λπ.

«Αυτό είναι το οποίο είναι καλά τα μηχανήματα, βλέποντας τη σύνδεση με έναν πολύ περίπλοκο τρόπο που μπορεί να κάνει το ανθρώπινο μυαλό», είπε ο Τανγκ. “Το εκμεταλλευόμαστε αυτό.”

Οι ερευνητές δοκίμασαν τα νευρικά δίκτυά τους σε τέσσερις διαφορετικούς τύπους μικροδομών: διάδοση επιπέδων κυμάτων, ανάπτυξη κόκκων, εκφυλισμός της σπονδυλικής στήλης και ανάπτυξη δενδριτικών κρυστάλλων.

Σε κάθε δοκιμή, τα πλέγματα τροφοδοτήθηκαν με 1000 και 2000 σύνολα 20 διαδοχικών εικόνων που δείχνουν την εξέλιξη της μικροδομής του υλικού όπως προβλέπεται από τις εξισώσεις. Αφού μάθετε τους κανόνες εξέλιξης από αυτά τα δεδομένα, τότε δίκτυο Δίνεται 1-10 εικόνες για την πρόβλεψη των επόμενων 50 έως 200 καρέ, συνήθως σε δευτερόλεπτα.

Τα πλεονεκτήματα της νέας τεχνολογίας έγιναν γρήγορα εμφανή: Τα νευρικά δίκτυα, που υποστηρίζονται από επεξεργαστές γραφικών, επιτάχυναν τους υπολογισμούς έως και 718 φορές για την ανάπτυξη κόκκων, σε σύγκριση με τον προηγούμενο αλγόριθμο. Όταν εκτελείται σε μια τυπική CPU, ήταν ακόμα 87 φορές πιο γρήγορη από την παλιά μέθοδο. Προβλέψτε άλλους τύπους Μικροσκοπικός Η εξέλιξη έδειξε παρόμοια, αν και όχι δραματική, η ταχύτητα αυξάνεται.

Ο Τανγκ είπε ότι οι συγκρίσεις με εικόνες από την παραδοσιακή προσομοίωση έδειξαν ότι οι προβλέψεις ήταν σε μεγάλο βαθμό ωραίες. “Με βάση αυτό, βλέπουμε πώς μπορούμε να ενημερώσουμε τις παραμέτρους για να κάνουμε την πρόβλεψη πιο ακριβή”, είπε. «Τότε μπορούμε να χρησιμοποιήσουμε αυτές τις προβλέψεις για να βοηθήσουμε στη σχεδίαση υλικών που δεν έχουμε ξαναδεί.

“Ένα άλλο πλεονέκτημα είναι ότι είναι σε θέση να κάνει προβλέψεις ακόμη και όταν δεν γνωρίζουμε τα πάντα για τις ιδιότητες των υλικών στο σύστημα”, δήλωσε ο Τανγκ. “Δεν μπορούμε να το κάνουμε με τη μέθοδο που βασίζεται στην εξίσωση, η οποία πρέπει να γνωρίζει όλες τις τιμές παραμέτρων στις εξισώσεις για να εκτελέσει προσομοιώσεις.”

Ο Τανγκ είπε ότι η αποτελεσματικότητα του υπολογισμού του νευρικού δικτύου θα μπορούσε να επιταχύνει την ανάπτυξη νέων υλικών. Αυτό αναμένει να είναι χρήσιμο στον εργασιακό σχεδιασμό του για αποδοτικότερες μπαταρίες. “Σκεφτόμαστε νέες τρισδιάστατες δομές που θα βοηθήσουν στη φόρτιση και την αποφόρτιση των μπαταριών πολύ πιο γρήγορα από ό, τι έχουμε τώρα”, δήλωσε ο Τανγκ. “Αυτό Πρόβλημα βελτιστοποίησης Αυτό είναι ιδανικό για τη νέα μας προσέγγιση. ”


Ένα νέο εργαλείο μηχανικής εκμάθησης μετατρέπει εικόνες 2D υλικού σε τρισδιάστατες δομές


περισσότερες πληροφορίες:
Kaiqi Yang et al., Αυτό-εποπτευόμενη μάθηση και πρόβλεψη της εξέλιξης των μικροδομών με επαναλαμβανόμενα συνελικτικά νευρικά δίκτυα, Σχέδια – ένα σχέδιο (2021). DOI: 10.1016 / j.patter.2021.100243

Εισαγωγή του
Πανεπιστήμιο Ράις

το απόσπασμα: Νέα στρατηγική για την ταχεία εξέλιξη των μικροδομών (2021, 30 Απριλίου) Ανακτήθηκε την 1η Μαΐου 2021 από https://phys.org/news/2021-04-strategy-evolution-microscopic-fast-track.html

Αυτό το έγγραφο υπόκειται σε πνευματικά δικαιώματα. Ανεξάρτητα από οποιαδήποτε δίκαιη μεταχείριση για σκοπούς ιδιωτικής μελέτης ή έρευνας, κανένα μέρος δεν μπορεί να αναπαραχθεί χωρίς γραπτή άδεια. Το περιεχόμενο παρέχεται μόνο για ενημερωτικούς σκοπούς.

READ  Η Κίνα κατακτά το φεγγάρι: όποιος ελέγχει τον σύντροφό μας θα ελέγχει ολόκληρο τον πλανήτη

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται. Τα υποχρεωτικά πεδία σημειώνονται με *