För ingenjörer som utvecklar nya material eller skyddande beläggningar, det finns miljarder olika möjligheter att sortera igenom. Labbtester eller till och med detaljerade datorsimuleringar för att bestämma deras exakta egenskaper, såsom seghet, kan ta timmar, dagar, eller mer för varje variant. Nu, en ny artificiell intelligens-baserad metod utvecklad vid MIT kan minska det till några millisekunder, vilket gör det praktiskt att screena ett stort urval av kandidatmaterial.

Systemet, som MIT-forskare hoppas kan användas för att utveckla starkare skyddande beläggningar eller strukturella material - till exempel, att skydda flygplan eller rymdfarkoster från stötar — beskrivs i en artikel i tidskriften Materia , av MIT postdoc Chi-Hua Yu, civil- och miljöteknikprofessor och avdelningschef Markus J. Buehler, och Yu-Chuan Hsu vid National Taiwan University.

Fokus för detta arbete låg på att förutsäga hur ett material skulle gå sönder eller spricka, genom att analysera sprickornas utbredning genom materialets molekylära struktur. Buehler och hans kollegor har ägnat många år åt att studera frakturer och andra fellägen i detalj, eftersom att förstå felprocesser är nyckeln till att utveckla robusta, pålitliga material. "En av specialiteterna i mitt labb är att använda vad vi kallar simuleringar av molekylär dynamik, eller i princip atom-för-atom-simuleringar" av sådana processer, säger Buehler.

Dessa simuleringar ger en kemiskt korrekt beskrivning av hur sprickbildning sker, han säger. Men det går långsamt, eftersom det kräver att lösa rörelseekvationer för varje enskild atom. "Det tar mycket tid att simulera dessa processer, " säger han. Teamet bestämde sig för att utforska sätt att effektivisera den processen, med hjälp av ett maskininlärningssystem.

"Vi tar en omväg, " säger han. "Vi har frågat, tänk om du bara hade observerat hur frakturering sker [i ett givet material], och låta datorer lära sig det här förhållandet själva?" För att göra det, system för artificiell intelligens (AI) behöver en mängd olika exempel att använda som träningsuppsättning, att lära sig om sambanden mellan materialets egenskaper och dess prestanda.

I detta fall, de tittade på en mängd olika kompositer, skiktade beläggningar gjorda av kristallina material. Variablerna inkluderade sammansättningen av skikten och den relativa orienteringen av deras ordnade kristallstrukturer, och hur dessa material var och en reagerade på frakturering, baserat på simuleringarna av molekylär dynamik. "Vi simulerar i princip, atom för atom, hur material går sönder, och vi registrerar den informationen, " säger Buehler.

De genererade mödosamt hundratals sådana simuleringar, med en mängd olika strukturer, och utsatt var och en för många olika simulerade sprickor. Sedan matade de in stora mängder data om alla dessa simuleringar i deras AI-system, för att se om den kunde upptäcka de underliggande fysiska principerna och förutsäga prestandan av ett nytt material som inte ingick i träningsuppsättningen.

Och det gjorde det. "Det är det riktigt spännande, "Bühler säger, "eftersom datorsimuleringen genom AI kan göra det som normalt tar mycket lång tid med hjälp av molekylär dynamik, eller genom att använda finita element-simuleringar, vilket är ett annat sätt som ingenjörer löser detta problem, och det är väldigt långsamt också. Så, det här är ett helt nytt sätt att simulera hur material misslyckas."

Hur material misslyckas är avgörande information för alla tekniska projekt, understryker Buehler. Materialfel som sprickor är "en av de största orsakerna till förluster i någon bransch. För inspektion av flygplan eller tåg eller bilar, eller för vägar eller infrastruktur, eller betong, eller stålkorrosion, eller för att förstå frakturer av biologiska vävnader som ben, förmågan att simulera sprickbildning med AI, och gör det snabbt och mycket effektivt, är en riktig game changer."

Förbättringen i hastighet som åstadkoms genom att använda denna metod är anmärkningsvärd. Hsu förklarar att "för enstaka simuleringar i molekylär dynamik, det har tagit flera timmar att köra simuleringarna, men i denna förutsägelse av artificiell intelligens, det tar bara 10 millisekunder att gå igenom alla förutsägelser från mönstren, och visa hur en spricka bildas steg för steg."

Metoden de utvecklade är ganska generaliserbar, säger Buehler. "Även om vi i vårt papper bara applicerade det på ett material med olika kristallorientering, du kan tillämpa den här metoden på mycket mer komplexa material." Och medan de använde data från atomistiska simuleringar, systemet skulle också kunna användas för att göra förutsägelser på basis av experimentella data såsom bilder av ett material som genomgår sprickbildning.

"Om vi ​​hade ett nytt material som vi aldrig har simulerat förut, " han säger, "om vi har många bilder av fraktureringsprocessen, vi kan också mata in den informationen i maskininlärningsmodellen." Oavsett input, simulerad eller experimentell, AI-systemet går i huvudsak igenom den utvecklande processen ram för ram, notera hur varje bild skiljer sig från den tidigare för att lära dig den underliggande dynamiken.

Till exempel, när forskare använder de nya faciliteterna i MIT.nano, institutets anläggning dedikerad till att tillverka och testa material i nanoskala, stora mängder ny data om en mängd olika syntetiserade material kommer att genereras.

"Eftersom vi har fler och fler experimentella tekniker med hög genomströmning som kan producera många bilder mycket snabbt, på ett automatiserat sätt, denna typ av datakällor kan omedelbart matas in i maskininlärningsmodellen, " Buehler säger. "Vi tror verkligen att framtiden kommer att vara en där vi har mycket mer integration mellan experiment och simulering, mycket mer än vi har gjort tidigare."

Systemet kan inte bara användas för frakturering, som laget gjorde i denna första demonstration, men till en mängd olika processer som utvecklas över tiden, han säger, såsom diffusion av ett material till ett annat, eller korrosionsprocesser. "När som helst där du har utvecklingar av fysiska fält, och vi vill veta hur dessa fält utvecklas som en funktion av mikrostrukturen, " han säger, denna metod kan vara en välsignelse.