Forskare vid Tammerfors tekniska universitet och Aalto universitet lärde maskininlärningsalgoritmer att förutsäga hur material sträcker sig. Denna nya tillämpning av maskininlärning öppnar nya möjligheter inom fysik och möjliga tillämpningar kan hittas i utformningen av nya optimala material. Studien har publicerats i den prestigefyllda tidskriften Naturkommunikation .

De flesta vanliga föremål tenderar att sträcka sig 'jämnt', att det:forskare kan förutsäga hur mycket kraft som krävs för att få ett material att sträcka sig med ett visst avstånd. Nya experiment har visat att dessa förutsägelser inte håller i mikrometerskalan. Sträckningen av mikroskopiska kristaller sker i diskreta skurar med en mycket stor storleksfördelning. Eftersom utbrotten sker sporadiskt, till synes identiska mikroskalprover kan sträcka sig på väldigt olika sätt. Denna variation av provets hållfasthetsegenskaper utgör en utmaning för utvecklingen av nya material med önskade egenskaper. I deras artikel "Maskininlärning plastisk deformation av kristaller" publicerad i Naturkommunikation , forskarna använder maskininlärning för att förutsäga egenskaperna hos enskilda prover.

"Maskininlärningsalgoritmerna lyckades mäta hur förutsägbar stretchprocessen för små kristallina prover är. Detta hade varit praktiskt taget omöjligt med traditionella medel, men maskininlärning möjliggör upptäckt av nya och intressanta resultat, "förklarar docent Lasse Laurson från laboratoriet för fysik vid Tammerfors tekniska universitet.

Den irreversibla plastiska deformationen av kristallina ämnen uppstår när kristallografiska defekter, kallas dislokationer, flytta från en plats i kristallen till en annan. Kristallina material, som metaller eller is innehåller nästan alltid nätverk av dislokationer, med varje kristall som innehåller sitt eget nätverk.

Forskarna utbildade maskininlärningsalgoritmer för att känna igen sambandet mellan ett objekts mikroskopiska struktur och mängden kraft som krävs för att sträcka ett prov. Studien avslöjade, bland annat, att förutsägbarheten för den mängd kraft som krävs ändras vid provets sträckning:Först, det blir svårare att förutsäga den kraft som krävs när sträckan växer, vilket mest beror på sträckningsutbrottens sporadiska natur. Förvånande, dock, förutsägbarheten förbättras när sträckan fortsätter att växa. Storlek påverkar också förutsägbarheten:det är lättare att förutsäga deformationsprocessen för större kristaller än mindre.

"När sträckan växer, antalet skurar minskar, vilket förbättrar förutsägbarheten. Detta är lovande när det gäller att förutsäga utbytet av enskilda prover, vilket är ett viktigt mål i materialfysiken, säger Henri Salmenjoki, doktorand vid Institutionen för tillämpad fysik vid Aalto University.

"Vår forskning tyder på att maskininlärning kan användas för att förutsäga mycket komplexa och olinjära fysiska processer. Förutom utvecklingen av optimala material, möjliga tillämpningar kan hittas i förutsägelsen av dynamiken i många andra komplexa system, "Förklarar Laurson.