Lawrence Livermore National Laboratory (LLNL) forskare har tagit ett steg framåt i designen av framtida material med förbättrad prestanda genom att analysera dess mikrostruktur med hjälp av AI.

Verket dök nyligen upp online i tidskriften Beräkningsmaterialvetenskap .

Tekniska framsteg inom materialvetenskapliga tillämpningar som omfattar elektroniska, biomedicinska, alternativ energi, elektrolyt, katalysatordesign och vidare hindras ofta av bristande förståelse för komplexa samband mellan den underliggande materialets mikrostruktur och enhetens prestanda. Men AI-driven dataanalys ger möjligheter som kan påskynda materialdesign och optimering genom att belysa korrelationer mellan bearbetning och prestanda på ett matematiskt överskådligt sätt.

Den senaste utvecklingen inom artificiella neurala nätverksbaserade metoder för "djupinlärning" har revolutionerat processen att upptäcka sådana intrikata relationer med hjälp av själva rådata. Dock, för att tillförlitligt träna stora nätverk behöver man data från tiotusentals prover, som, är tyvärr ofta oöverkomligt i nya system och nya applikationer på grund av kostnaden för provberedning och datainsamling. I situationer som dessa, innovativa algoritmer behövs för att extrahera de mest lämpliga "funktionerna" eller "deskriptorerna" ur de råa experimentella karakteriseringsdata.

Som ett exempel, polymerbundna högsprängämnen utgör ett viktigt materialsystem vars 3-D bifasiska mikrostruktur kan:(1) variera mycket beroende på bearbetningsparametrar som högenergipartikelmorfologi och storleksfördelning, bindemedelsinnehåll, lösningsmedel/omrörningshastigheter, pressande krafter, temperatur, etc.; (2) utvecklas under långvarig materialåldring under varierande miljöförhållanden; och (3) visa variation i prestanda som en funktion av provets mikrostruktur och ålder.

Medan varje 3D-mikrostruktur kan avbildas oförstörande med röntgen-CT-skanningar (vid flera tidpunkter), processen för datainsamling är tidskrävande och dyr, vilket begränsar antalet prover till vanligtvis bara några hundra. Utmaningen är att på bästa sätt använda sådana begränsade data för att avslöja eventuella korrelationer mellan process-mikrostruktur och prestanda, kvantifiera långsiktiga åldrande trender, ge insikter i mikroskala i fysikbaserade simuleringskoder, och designa framtida material med förbättrad prestanda.

Ett team av LLNL-materialforskare och datavisualiseringsforskare vid LLNL och University of Utah använde nyligen utvecklade metoder inom skalärfältstopologi och morse-teori för att extrahera användbara sammanfattningsfunktioner som "kornantal" och "inre gränsyta" från råmaterialet CT-röntgendata.

Dessa funktionsvariabler analyserades sedan med en mängd olika statistiska maskininlärningstekniker, vilket gjorde det möjligt för teamet att:(1) objektivt särskilja olika mikrostrukturer som härrör från bearbetningsskillnader; (2) systematiskt spåra mikrostrukturutveckling under åldrande; och (3) bygga mikrostrukturberoende prestandamodeller.

"Med ökad tonvikt på AI-inspirerad datacentrerad forskning, paradigmet för hur vi närmar oss modellbyggande och materialupptäckt förändras snabbt, " enligt huvudförfattaren Amitesh Maiti. "Hastigheten och kvaliteten på framstegen är avgörande för sådana samarbeten i flera team som sammanför kompletterande kunskaper och färdigheter."

Med ord från projektets huvudutredare Richard Gee:"Utvecklingen och användningen av dessa metoder ger möjlighet att identifiera komplexa effekter av bearbetningsparametrar och åldrande på prestandan hos lagerrelevanta material. De resulterande insikterna bör möjliggöra optimering av komponentdesign och förutsägelse av långsiktig åldersinducerad förändring i prestanda, vilket är av stort värde för förbättrade övervakningsmetoder."