Framtiden för ren energi är het. Temperaturen når 800 Celsius i delar av solenergianläggningar och avancerade kärnreaktorer. Det är svårt att hitta material som tål den typen av värme. Så experter vänder sig till Mark Messner för svar.

En huvudsaklig maskiningenjör vid U.S. Department of Energy's (DOE) Argonne National Laboratory, Messner tillhör en grupp ingenjörer som upptäcker bättre sätt att förutsäga hur material kommer att bete sig under höga temperaturer och tryck. De nuvarande förutsägelsemetoderna fungerar bra, men de tar tid och kräver ofta superdatorer, speciellt om du redan har en uppsättning specifika materialegenskaper – t.ex. styvhet, densitet eller styrka – och vill ta reda på vilken typ av struktur ett material skulle behöva för att matcha dessa egenskaper.

"Du skulle vanligtvis behöva köra massor av fysikbaserade simuleringar för att lösa det problemet, sa Messner.

Letar du efter en genväg, han fann att neurala nätverk, en typ av artificiell intelligens (AI) som avslöjar mönster i enorma datamängder, kan exakt förutsäga vad som händer med ett material under extrema förhållanden. Och de kan göra detta mycket snabbare och enklare än vanliga simuleringar kan.

Messners nya metod fann egenskaperna hos ett material mer än 2, 000 gånger snabbare än standardmetoden, som rapporterades i oktober 2019 Journal of Mechanical Design artikel. Många av beräkningarna, Messner insåg, kan köras på en vanlig bärbar dator med en grafikprocessor (GPU) – istället för en superdator, som ofta är otillgängliga för de flesta företag.

Detta var första gången någon använde ett så kallat konvolutionellt neuralt nätverk — en typ av neurala nätverk med ett annat, enklare struktur som är idealisk för att känna igen mönster i foton – för att exakt känna igen ett materials strukturella egenskaper. Det är också ett av de första stegen för att påskynda hur forskare designar och karakteriserar material, som kan hjälpa oss att gå mot en helt ren energiekonomi.

Katter på Internet spelar en roll

Messner började designa material som postdoktor vid DOE:s Lawrence Livermore National Laboratory, där ett team försökte producera strukturer på en 3D-skrivare i en skala av mikron, eller miljondelar av en meter. Under framkant, forskningen gick långsamt. Kan AI påskynda resultaten?

Just då, teknologijättar i Silicon Valley hade börjat använda konvolutionella neurala nätverk för att känna igen ansikten och djur i bilder. Detta inspirerade Messner.

"Min idé var att ett materials struktur inte är annorlunda än en 3D-bild, " sa han. "Det är vettigt att 3D-versionen av detta neurala nätverk kommer att göra ett bra jobb med att känna igen strukturens egenskaper - precis som ett neuralt nätverk lär sig att en bild är en katt eller något annat."

För att testa hans teori, Messner tog fyra steg. Han:

• designade en definierad kvadrat med tegelstenar-liknande pixlar;
• tog slumpmässiga prover av den designen och använde en fysikbaserad simulering för att skapa 2 miljoner datapunkter. Dessa punkter kopplade hans design till de önskade egenskaperna för täthet och styvhet;
• matade in de 2 miljoner datapunkterna i det konvolutionella neurala nätverket. Detta tränade nätverket att leta efter rätt resultat;
• använde en genetisk algoritm, en annan typ av AI utformad för att optimera resultat, tillsammans med det tränade konvolutionella neurala nätverket, att hitta en övergripande struktur som skulle matcha de egenskaper han ville ha.

Resultatet? Den nya AI-metoden hittade rätt struktur 2, 760 gånger snabbare än den vanliga fysikbaserade modellen (0,00075 sekunder mot 0,207 sekunder, respektive).

Nya verktyg ökar kärnkraftsinnovationen

Denna abstrakta idé kan förändra hur ingenjörer designar material – särskilt de som är avsedda att motstå förhållanden med höga temperaturer, tryck och korrosion.

Messner gick nyligen med i ett team av ingenjörer från Argonne och DOE:s Idaho och Los Alamos National Laboratories som samarbetar med Kairos Power, en kärnkraftsstart. Teamet skapar AI-baserade simuleringsverktyg som kommer att hjälpa Kairos att designa en kärnreaktor med smält salt, som, till skillnad från nuvarande reaktorer, kommer att använda smält salt som kylvätska. Med dessa verktyg, teamet kommer att projicera hur en specifik typ av rostfritt stål, ringde 316H, kommer att bete sig under extrema förhållanden i årtionden.

"Det här är en liten, men livsviktigt, en del av arbetet vi gör för Kairos Power, sa Rui Hu, en kärnkraftsingenjör som leder Argonnes roll i projektet. "Kairos Power vill ha mycket exakta modeller av hur reaktorkomponenter kommer att bete sig inuti dess reaktor för att stödja dess licensansökan till Nuclear Regulatory Commission. Vi ser fram emot att tillhandahålla dessa modeller."

En annan lovande väg för denna typ av arbete är 3D-utskrift. Innan 3D-utskrift slog igenom, ingenjörer kämpade för att faktiskt bygga strukturer som den Messner hittade med hjälp av AI i sin tidning från 2019. Men att skapa en struktur lager för lager med en 3D-skrivare möjliggör mer flexibilitet än traditionella tillverkningsmetoder.

Framtiden för maskinteknik kan vara att kombinera 3D-utskrift med nya AI-baserade tekniker, sa Messner. "Du skulle ge strukturen – bestämd av ett neuralt nätverk – till någon med en 3D-skrivare och de skulle skriva ut den med de egenskaper du vill ha, " sa han. "Vi är inte riktigt där än, men det är hoppet."