Materialens mikroskopiska strukturer och egenskaper är intimt kopplade, och att anpassa dem är en utmaning. Ingenjörer från Rice University är fast beslutna att förenkla processen genom maskininlärning.

För detta ändamål, Rice lab of material scientist Ming Tang, i samarbete med fysikern Fei Zhou vid Lawrence Livermore National Laboratory, introducerade en teknik för att förutsäga utvecklingen av mikrostrukturer - strukturella egenskaper mellan 10 nanometer och 100 mikron - i material.

Deras öppna papper i tidningen Cell Press Mönster visar hur neurala nätverk (datormodeller som efterliknar hjärnans neuroner) kan träna sig själva att förutsäga hur en struktur kommer att växa under en viss miljö, ungefär som en snöflinga bildas av fukt i naturen.

Faktiskt, snöflingaliknande, dendritiska kristallstrukturer var ett av de exempel labbet använde i sin proof-of-concept studie.

"I modern materialvetenskap, det är allmänt accepterat att mikrostrukturen ofta spelar en avgörande roll för att styra ett materials egenskaper, "Sa Tang." Du vill inte bara kontrollera hur atomerna är arrangerade på galler, men också hur mikrostrukturen ser ut, för att ge dig bra prestanda och till och med ny funktionalitet.

"Den heliga gralen för att designa material är att kunna förutsäga hur en mikrostruktur kommer att förändras under givna förhållanden, om vi värmer upp det eller applicerar stress eller någon annan typ av stimulans, " han sa.

Tang har arbetat med att förfina mikrostrukturprognoser under hela sin karriär, men sa att det traditionella ekvationsbaserade tillvägagångssättet står inför betydande utmaningar för att låta forskare hålla jämna steg med efterfrågan på nytt material.

"De enorma framstegen inom maskininlärning uppmuntrade Fei på Lawrence Livermore och oss att se om vi kunde tillämpa det på material, " han sa.

Lyckligtvis, det fanns gott om data från den traditionella metoden för att hjälpa till att träna lagets neurala nätverk, som ser på den tidiga utvecklingen av mikrostrukturer för att förutsäga nästa steg, och nästa, och så vidare.

"Detta är vad maskiner är bra på, ser korrelationen på ett mycket komplext sätt som det mänskliga sinnet inte kan, "Sa Tang." Vi utnyttjar det. "

Forskarna testade sina neurala nätverk på fyra olika typer av mikrostrukturer:plan-vågutbredning, spannmålstillväxt, spinodal sönderdelning och dendritisk kristalltillväxt.

I varje test, nätverken matades mellan 1, 000 och 2, 000 uppsättningar av 20 på varandra följande bilder som illustrerar ett materials mikrostrukturutveckling som ekvationerna förutsäger. Efter att ha lärt mig utvecklingsreglerna från dessa data, nätverket gavs sedan från 1 till 10 bilder för att förutsäga nästa 50 till 200 bilder, och gjorde det oftast på några sekunder.

Den nya teknikens fördelar blev snabbt tydliga:De neurala nätverken, drivs av grafiska processorer, skyndade på beräkningarna upp till 718 gånger för spannmålstillväxt, jämfört med föregående algoritm. När den körs på en vanlig central processor, de var fortfarande upp till 87 gånger snabbare än den gamla metoden. Prognosen för andra typer av mikrostrukturutveckling visade liknande, fast inte lika dramatisk, hastigheten ökar.

Jämförelser med bilder från den traditionella simuleringsmetoden visade att förutsägelserna i stor utsträckning var på marken, Sa Tang. "Baserat på det, vi ser hur vi kan uppdatera parametrarna för att göra förutsägelsen mer och mer exakt, "sa han." Sedan kan vi använda dessa förutsägelser för att hjälpa till att designa material som vi inte har sett förut.

"En annan fördel är att den kan göra förutsägelser även när vi inte vet allt om materialegenskaperna i ett system, "Sa Tang." Vi kunde inte göra det med den ekvationsbaserade metoden, som behöver känna till alla parametervärden i ekvationerna för att utföra simuleringar. "

Tang sa att beräkningseffektiviteten hos neurala nätverk kan påskynda utvecklingen av nya material. Han förväntar sig att det kommer att vara till hjälp i hans labbs pågående design av effektivare batterier. "Vi tänker på nya tredimensionella strukturer som hjälper till att ladda och ladda ur batterier mycket snabbare än vad vi har nu, "Sade Tang." Detta är ett optimeringsproblem som är perfekt för vårt nya tillvägagångssätt. "