Forskare vid University of Waterloo har hittat ett bättre sätt att identifiera atomära strukturer, ett viktigt steg för att förbättra materialvalet inom flyget, bygg- och fordonsindustrin.
Resultaten av studien kan resultera i större tillförlitlighet vid fastställande av metallers integritet.
Devinder Kumar, en Ph.D. kandidat i systemdesignteknik på Waterloo, samarbetade med Fritz Haber Institute (FHI) i Berlin, att utveckla en kraftfull AI-modell som exakt kan detektera olika atomära strukturer i metalliska material. Systemet kan hitta brister i metallen som tidigare inte kunde upptäckas.
"Var som helst du har metaller vill du veta konsistensen, och det kan inte göras i nuvarande praktiska scenarier eftersom nuvarande metoder misslyckas med att identifiera symmetrin under ofullkomliga förhållanden, sa Kumar, som är medlem i Vision and Image Processing Research Group under ledning av Alexander Wong, en professor vid Waterloo and Canada Research Chair inom området artificiell intelligens.
"Så, denna nya metod för att utvärdera metalliskt material kommer att leda till bättre materialdesign överlag och har potential att påverka alla branscher där du behöver materialdesignegenskaper."
FHI kom med ett nytt scenario som på konstgjord väg kan skapa data som relaterar till den verkliga världen. Kumar tillsammans med sina medarbetare kunde använda detta för att generera cirka 80, 000 bilder av olika typer av defekter och förskjutningar för att producera en mycket effektiv AI-modell för att identifiera olika typer av kristallstrukturer i praktiska scenarier. Denna data har släppts till allmänheten så att människor faktiskt kan lära sig sina egna algoritmer.
"I teorin, alla metalliska material har perfekt symmetri, och alla föremål är på rätt plats, men i praktiken på grund av olika orsaker, såsom billig tillverkning, finns det defekter, "Sa Kumar. "Alla dessa nuvarande metoder misslyckas när de försöker matcha verkliga idealiska strukturer, de flesta av dem misslyckas när det ens finns en procent defekt."
"Vi har gjort en AI-baserad algoritm eller modell som kan klassificera den här typen av symmetri till och med upp till 40 procent av defekten."
Studien, Insiktsfull klassificering av kristallstrukturer med hjälp av djupinlärning, publicerades nyligen i tidskriften Naturkommunikation .
