Inteligencia artificial predice las propiedades de metamateriales complejos

Comparta este Artículo en:

Dada una pieza de origami en 3D, ¿puede aplanarla sin dañarla?

Con solo mirar el diseño, la respuesta es difícil de predecir, porque todos y cada uno de los pliegues del diseño deben ser compatibles con el aplanamiento.

Este es un ejemplo de un problema combinatorio.

Una nueva investigación dirigida por el Instituto de Física UvA y el instituto de investigación AMOLF ha demostrado que los algoritmos de aprendizaje automático pueden responder con precisión y eficiencia a este tipo de preguntas.

Se espera que esto dé un impulso al diseño asistido por inteligencia artificial de (meta) materiales complejos y funcionales.

El equipo de investigación probó qué tan bien la inteligencia artificial (IA) puede predecir las propiedades de los llamados metamateriales mecánicos combinatorios.

Estos son materiales de ingeniería cuyas propiedades están determinadas por su estructura geométrica más que por su composición química.

Una pieza de origami es también un tipo de metamaterial, cuya capacidad de aplanarse (una propiedad físicamente bien definida) está determinada por cómo se pliega (su estructura), más que por el tipo de papel del que está hecho.

En términos más generales, el diseño inteligente nos permite controlar con precisión dónde o cómo se doblará, pandeará o abultará un metamaterial, que puede usarse para todo tipo de cosas, desde amortiguadores hasta paneles solares desplegables en un satélite en el espacio.

Un metamaterial combinatorio típico estudiado en el laboratorio está formado por dos o más tipos u orientaciones de bloques de construcción, que se deforman de formas distintas cuando se aplica una fuerza mecánica.

Si estos bloques de construcción se combinan al azar, el material en su conjunto normalmente no se deformará bajo la presión porque no todos los bloques podrán deformarse de la manera deseada; se atascarán.

Donde un bloque de construcción desea sobresalir hacia afuera, su vecino debería poder aplastarse hacia adentro.

Para que el metamaterial se doble fácilmente, todos los bloques de construcción deformados deben encajar como un rompecabezas.

Al igual que cambiar un solo pliegue puede hacer que una pieza de origami no se pueda aplanar, cambiar un solo bloque puede hacer que un metamaterial ‘flojo’ se vuelva rígido.

Si bien los metamateriales tienen muchas aplicaciones potenciales, diseñar uno nuevo es un desafío.

Comenzar con un conjunto particular de bloques de construcción, deducir las propiedades generales del metamaterial para diferentes estructuras a menudo se reduce a prueba y error.

Hoy en día, no queremos hacer todo esto a mano.

Sin embargo, debido a que las propiedades de los metamateriales combinatorios son tan sensibles a los cambios en los componentes básicos individuales, los métodos estadísticos y numéricos convencionales son lentos y propensos a errores.

En cambio, los investigadores encontraron que el aprendizaje automático puede ser la respuesta:

Incluso cuando se les da solo un conjunto relativamente pequeño de ejemplos para aprender, las llamadas redes neuronales convolucionales pueden predecir con precisión las propiedades del metamaterial de cualquier configuración de bloques de construcción hasta el último detalle. detalle más fino.

“Esto superó con creces nuestras expectativas“, dice Ph.D. estudiante y primer autor Ryan van Mastrigt.

“La precisión de las predicciones nos muestra que las redes neuronales realmente han aprendido las reglas matemáticas que subyacen a las propiedades de los metamateriales, incluso cuando nosotros mismos no conocemos todas las reglas“.

Este hallazgo sugiere que podemos usar la IA para diseñar nuevos metamateriales complejos con propiedades útiles.

En términos más generales, la aplicación de redes neuronales a problemas combinatorios nos permite plantear muchas preguntas interesantes.

Tal vez puedan ayudarnos a resolver problemas (combinatorios) en otros contextos.

Y, a la inversa, los hallazgos pueden mejorar nuestra comprensión de las propias redes neuronales, por ejemplo, demostrando cómo la complejidad de una red neuronal se relaciona con la complejidad de los problemas que puede resolver.

Fuente: TechXplore