Inteligencia artificial evalúa la resistencia a fracturas en milisegundos, para crear materiales más duros

Una nueva herramienta de aprendizaje automático desarrollada por ingenieros del MIT podría ayudar a desarrollar materiales más duros, al evaluar la resistencia a la fractura de estos en milisegundos.

La herramienta de aprendizaje automático podría ayudar a desarrollar materiales más duros.

Desarrollan un sistema de detección rápida para evaluar la resistencia a la fractura en miles de millones de materiales potenciales.

Para los ingenieros que desarrollan nuevos materiales o recubrimientos protectores, hay miles de millones de posibilidades diferentes para clasificar.

Las pruebas de laboratorio o incluso simulaciones por computadora detalladas para determinar sus propiedades exactas, como la resistencia, pueden llevar horas, días o más para cada variación.

Ahora, un nuevo enfoque basado en inteligencia artificial desarrollado en el MIT podría reducirlo a una cuestión de milisegundos, lo que hace que sea práctico seleccionar grandes conjuntos de materiales candidatos.

El sistema, que los investigadores del MIT esperan que pueda usarse para desarrollar recubrimientos protectores más fuertes o materiales estructurales, por ejemplo, para proteger a las aeronaves o naves espaciales de impactos, se describe en un artículo en la revista Matter, del postdoc MIT Chi-Hua Yu, civil y profesor de ingeniería ambiental y jefe de departamento Markus J. Buehler, y Yu-Chuan Hsu en la Universidad Nacional de Taiwán.

El objetivo de este trabajo fue predecir la forma en que un material se rompería o fracturaría, analizando la propagación de grietas a través de la estructura molecular del material.

Buehler y sus colegas han pasado muchos años estudiando fracturas y otros modos de falla con gran detalle, ya que comprender los procesos de falla es clave para desarrollar materiales robustos y confiables.

“Una de las especialidades de mi laboratorio es usar lo que llamamos simulaciones de dinámica molecular, o básicamente simulaciones átomo por átomo” de tales procesos, dice Buehler.

Estas simulaciones proporcionan una descripción químicamente precisa de cómo ocurre la fractura, dice.

Pero es lento, porque requiere resolver ecuaciones de movimiento para cada átomo.

“Se necesita mucho tiempo para simular estos procesos“, dice.

El equipo decidió explorar formas de racionalizar ese proceso, utilizando un sistema de aprendizaje automático.

“Nos estamos desviando“, dice.

“Hemos estado preguntando, ¿qué pasaría si tuvieras solo la observación de cómo ocurre la fractura [en un material dado] y dejes que las computadoras aprendan esta relación por sí mismas?”

Para hacer eso, los sistemas de inteligencia artificial (IA) necesitan una variedad de ejemplos para usar como conjunto de entrenamiento, para aprender sobre las correlaciones entre las características del material y su desempeño.

En este caso, estaban mirando una variedad de recubrimientos compuestos en capas hechos de materiales cristalinos.

Las variables incluyeron la composición de las capas y las orientaciones relativas de sus estructuras cristalinas ordenadas, y la forma en que esos materiales respondieron a la fractura, según las simulaciones de dinámica molecular.

“Básicamente simulamos, átomo por átomo, cómo se rompen los materiales, y registramos esa información“, dice Buehler.

Generaron minuciosamente cientos de tales simulaciones, con una amplia variedad de estructuras, y sometieron a cada una a muchas fracturas simuladas diferentes.

Luego introdujeron grandes cantidades de datos sobre todas estas simulaciones en su sistema de IA, para ver si podía descubrir los principios físicos subyacentes y predecir el rendimiento de un nuevo material que no formaba parte del conjunto de entrenamiento.

Y lo hizo.

“Eso es lo realmente emocionante“, dice Buehler, “porque la simulación por computadora a través de la IA puede hacer lo que normalmente lleva mucho tiempo usando dinámica molecular, o usando simulaciones de elementos finitos, que son otra forma en que los ingenieros resuelven este problema, y ​​es muy lento también.

Entonces, esta es una forma completamente nueva de simular cómo fallan los materiales”.

Buehler enfatiza que cómo los materiales fallan es información crucial para cualquier proyecto de ingeniería.

Las fallas en los materiales, como las fracturas, son “una de las principales razones de pérdidas en cualquier industria.

Para inspeccionar aviones o trenes o automóviles, o para carreteras o infraestructura, u hormigón, o corrosión de acero, o para comprender la fractura de tejidos biológicos como el hueso, la capacidad de simular fracturas con IA, y hacerlo de manera rápida y muy eficiente, es un verdadero cambio de juego “.

La mejora en la velocidad producida mediante el uso de este método es notable.

Hsu explica que “para simulaciones individuales en dinámica molecular, ha llevado varias horas ejecutar las simulaciones, pero en esta predicción de inteligencia artificial, solo se necesitan 10 milisegundos para pasar por todas las predicciones de los patrones y mostrar cómo se forma una fractura paso a paso“.

El método que desarrollaron es bastante generalizable, dice Buehler.

“Aunque en nuestro documento solo lo aplicamos a un material con diferentes orientaciones de cristal, puede aplicar esta metodología a materiales mucho más complejos“.

Y aunque usaron datos de simulaciones atomísticas, el sistema también podría usarse para hacer predicciones sobre la base de datos experimentales, como imágenes de un material que sufre fractura.

“Si tuviéramos un material nuevo que nunca antes habíamos simulado“, dice, “si tenemos muchas imágenes del proceso de fractura, también podemos alimentar esos datos al modelo de aprendizaje automático“.

Cualquiera que sea la entrada, simulada o experimental, el sistema de IA esencialmente pasa por el proceso de evolución cuadro por cuadro, notando cómo cada imagen difiere de la anterior para aprender la dinámica subyacente.

Por ejemplo, a medida que los investigadores hacen uso de las nuevas instalaciones en MIT.nano, la instalación del Instituto dedicada a la fabricación y prueba de materiales a nanoescala, se generarán grandes cantidades de datos nuevos sobre una variedad de materiales sintetizados.

“A medida que tenemos más y más técnicas experimentales de alto rendimiento que pueden producir muchas imágenes muy rápidamente, de forma automatizada, este tipo de fuentes de datos se pueden alimentar de inmediato al modelo de aprendizaje automático”, dice Buehler.

“Realmente creemos que el futuro será uno en el que tendremos mucha más integración entre el experimento y la simulación, mucho más que en el pasado“.

El sistema podría aplicarse no solo a la fractura, como lo hizo el equipo en esta demostración inicial, sino a una amplia variedad de procesos que se desarrollan con el tiempo, dice, como la difusión de un material en otro o procesos de corrosión.

“En cualquier momento en el que tenga evoluciones de campos físicos, y queremos saber cómo evolucionan estos campos en función de la microestructura“, dice, este método podría ser una bendición.

Fuente: MIT