Isaac Newton kan ha mött sin match.

I århundraden, ingenjörer har förlitat sig på fysiska lagar – utvecklade av Newton och andra – för att förstå påfrestningarna och påfrestningarna på materialen de arbetar med. Men att lösa dessa ekvationer kan vara en beräkningsslog, speciellt för komplexa material.

MIT-forskare har utvecklat en teknik för att snabbt fastställa vissa egenskaper hos ett material, som stress och påfrestningar, baserat på en bild av materialet som visar dess inre struktur. Tillvägagångssättet skulle en dag kunna eliminera behovet av mödosamma fysikbaserade beräkningar, istället förlitar sig på datorseende och maskininlärning för att generera uppskattningar i realtid.

Forskarna säger att framsteg kan möjliggöra snabbare designprototyper och materialinspektioner. "Det är ett helt nytt tillvägagångssätt, säger Zhenze Yang, tillägger att algoritmen "fullbordar hela processen utan någon domänkunskap om fysik."

Forskningen visas idag i tidskriften Vetenskapens framsteg . Yang är tidningens huvudförfattare och doktor. student vid institutionen för materialvetenskap och teknik. Medförfattare inkluderar tidigare MIT postdoc Chi-Hua Yu och Markus Buehler, McAfee professor i teknik och chef för Laboratory for Atomistic and Molecular Mechanics.

Ingenjörer lägger mycket tid på att lösa ekvationer. De hjälper till att avslöja ett materials inre krafter, som stress och påfrestningar, vilket kan göra att materialet deformeras eller går sönder. Sådana beräkningar kan antyda hur en föreslagen bro skulle hålla sig i tung trafik eller kraftiga vindar. Till skillnad från Sir Isaac, Ingenjörer idag behöver inte penna och papper för uppgiften. "Många generationer av matematiker och ingenjörer har skrivit ner dessa ekvationer och sedan kommit på hur man löser dem på datorer, " säger Buehler. "Men det är fortfarande ett tufft problem. Det är väldigt dyrt – det kan ta dagar, Veckor, eller till och med månader för att köra några simuleringar. Så, vi tänkte:Låt oss lära en AI att göra det här problemet åt dig."

Forskarna vände sig till en maskininlärningsteknik som kallas Generative Adversarial Neural Network. De tränade nätverket med tusentals parade bilder – en som visar ett materials inre mikrostruktur utsatt för mekaniska krafter, och den andra visar samma materials färgkodade spännings- och töjningsvärden. Med dessa exempel, nätverket använder principer för spelteorin för att iterativt ta reda på sambanden mellan geometrin hos ett material och dess resulterande spänningar.

"Så, från en bild, datorn kan förutsäga alla dessa krafter:deformationerna, stressen, och så vidare, " säger Buehler. "Det är verkligen genombrottet - på det konventionella sättet, du skulle behöva koda ekvationerna och be datorn att lösa partiella differentialekvationer. Vi går bara bild till bild."

Det bildbaserade tillvägagångssättet är särskilt fördelaktigt för komplexa, kompositmaterial. Krafter på ett material kan fungera annorlunda på atomär skala än på makroskopisk skala. "Om du tittar på ett flygplan, du kanske har lim, en metall, och en polymer däremellan. Så, du har alla dessa olika ansikten och olika skalor som bestämmer lösningen, säger Buehler. "Om du går den hårda vägen - Newton-vägen - måste du gå en stor omväg för att komma till svaret."

Men forskarens nätverk är skickligt på att hantera flera skalor. Den bearbetar information genom en serie "falsningar, " som analyserar bilderna i allt större skalor. "Det är därför dessa neurala nätverk passar utmärkt för att beskriva materialegenskaper, säger Buehler.

Det fullt utbildade nätverket presterade bra i tester, framgångsrikt återge spännings- och töjningsvärden givet en serie närbilder av mikrostrukturen hos olika mjuka kompositmaterial. Nätverket kunde till och med fånga "singulariteter, " som sprickor som utvecklas i ett material. I dessa fall, krafter och fält förändras snabbt över små avstånd. "Som materialvetare, du skulle vilja veta om modellen kan återskapa dessa singulariteter, säger Buehler. Och svaret är ja.

Framsteg kan "avsevärt minska de iterationer som behövs för att designa produkter, " enligt Suvranu De, en maskiningenjör vid Rensselaer Polytechnic Institute som inte var involverad i forskningen. "Den heltäckande tillvägagångssättet som föreslås i detta dokument kommer att ha en betydande inverkan på en mängd olika tekniska tillämpningar - från kompositer som används i fordons- och flygindustrin till naturliga och konstruerade biomaterial. Den kommer också att ha betydande tillämpningar inom området rena vetenskaplig undersökning, eftersom kraft spelar en avgörande roll i ett förvånansvärt brett spektrum av applikationer från mikro/nanoelektronik till migrering och differentiering av celler."

Förutom att spara ingenjörer tid och pengar, den nya tekniken kan ge icke-experter tillgång till toppmoderna materialberäkningar. Arkitekter eller produktdesigners, till exempel, kunde testa livskraften för sina idéer innan de skickade projektet vidare till ett ingenjörsteam. "De kan bara rita sitt förslag och ta reda på det, " säger Buehler. "Det är en stor sak."

Väl utbildad, nätverket körs nästan omedelbart på datorprocessorer av konsumentklass. Det skulle kunna göra det möjligt för mekaniker och inspektörer att diagnostisera potentiella problem med maskiner helt enkelt genom att ta en bild.

I den nya tidningen, forskarna arbetade främst med kompositmaterial som innehöll både mjuka och spröda komponenter i en mängd olika slumpmässiga geometriska arrangemang. I framtida arbete, teamet planerar att använda ett bredare utbud av materialtyper. "Jag tror verkligen att den här metoden kommer att ha en enorm inverkan, ", säger Buehler. "Att stärka ingenjörer med AI är verkligen vad vi försöker göra här."

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.