Exempel på två olika TATB -kristallstrukturer syntetiserade under olika förhållanden, visas med identiska förstoringar. Upphovsman:Lawrence Livermore National Laboratory
Lawrence Livermore National Laboratory (LLNL) och dess partners förlitar sig på snabb utveckling och distribution av olika material för att stödja en mängd olika nationella säkerhetsuppdrag. Dock, materialutveckling och distribution kan ta många år från första upptäckten av ett nytt material till distribution i stor skala.
Ett tvärvetenskapligt team av LLNL -forskare från Physical and Life Sciences, Dator- och teknikdirektoraten utvecklar maskininlärningstekniker för att ta bort flaskhalsar i utvecklingscykeln, och i sin tur dramatiskt minskar tiden till distributionen.
En sådan flaskhals är mängden ansträngning som krävs för att testa och utvärdera prestanda hos kandidatmaterial som TATB, ett okänsligt högsprängämne av intresse för både energidepartementet och försvarsdepartementet. TATB -prover kan uppvisa olika kristallkarakteristika (t.ex. storlek och textur) och skiljer sig därför dramatiskt i prestanda på grund av små variationer i förhållandena under vilka syntesreaktionen inträffade.
LLNL -teamet tittar på en ny metod för att förutsäga materialegenskaper. Genom att tillämpa datorsyn och maskininlärning baserat på skanningelektronmikroskopi (SEM) bilder av rått TATB -pulver, de har undvikit behovet av tillverkning och fysisk testning av en del. Teamet har visat att det är möjligt att träna modeller för att förutsäga materialprestanda baserat på enbart SEM, visar en 24 procent felminskning jämfört med den nuvarande ledande metoden (dvs. bedömning av domänexpert och instrumentdata). Dessutom, teamet visade att maskininlärningsmodeller kan upptäcka och använda informativa kristallattribut, som domänexperter hade underutnyttjat.
Enligt LLNL -datavetenskaparen Brian Gallagher, huvudförfattare till en artikel som finns i tidskriften Materials and Design:"Vårt mål är inte bara att exakt förutsäga materialprestanda, men för att ge feedback till experimenter om hur man kan ändra syntesförhållanden för att producera material med högre prestanda. Dessa resultat för oss ett steg närmare det målet. "
LLNL materialvetare Yong Han, huvudutredare och motsvarande författare till uppsatsen, tillade:"Vårt arbete visar nyttan av att tillämpa nya metoder för maskininlärning för att ta itu med svåra materialvetenskapliga problem. Vi planerar att utöka detta arbete för att ta itu med sparsamhet, förklarbarhet, osäkerhet och domänmedveten modellutveckling. "