يفتح التعلم الآلي المستوى التالي في التنبؤ بالسلوك

عند دراسة خصائص مادة مثل الفولاذ المقاوم للصدأ ، من المستحيل إجراء تجارب منفصلة بمثل هذه التكبيرات العالية التي تخضعها لكل متغير يمكن تصوره — كل درجة حرارة ، كل زاوية تحميل ، كل مقدار من الضغط. لذلك نعتمد غالبًا على النماذج.

قال الباحثون: "بدلاً من استخدام نموذج فيزيائي مفصل للغاية ومرهق مع الكثير من المعلمات الملائمة ، استخدمنا التعلم الآلي لتدريب شبكة عصبية لعمل هذه التنبؤات". "يتخطى التعلم الآلي الحاجة إلى النمذجة التفصيلية لجميع الفيزياء الكامنة وراء العملية ويجعل نوعًا من الارتباط المباشر ، أو الملاءمة ، بين المدخلات والمخرجات.

هذه هي المرة الأولى التي يتم فيها تطبيق هذه التقنية لمعرفة ما يحدث في البنية الدقيقة المعدنية تحت ظروف التحميل المختلفة. "في هذه الحالة ، أردنا معرفة مقدار الإجهاد المتراكم عند حدود الحبوب في معدن متعدد البلورات أثناء الزحف." أوضح الباحثون أن الزحف هو ميل مادة صلبة للتشوه تحت الحمل المستمر ، تمامًا مثل بعض أرفف الكتب التي تنحني في النهاية تحت وطأة الكتب.

"لقد اعتقدنا أن الاختلافات الفيزيائية بين الحبتين المتاخمتين للحدود ستكون أكثر أهمية ، أو على الأقل معلمة مهمة بنفس القدر. لذلك ، كان الاكتشاف الأكثر روعة بالنسبة لي هو أن معلمة هندسية واحدة كانت قادرة على التنبؤ بالنتائج بنسبة 80 في المائة من الوقت ، "قال الفريق. "الهندسة - الزاوية التي يتم تحميلها بها هي التي أحدثت أكبر قدر من الاختلاف. لقد وجدت أن هذا غير متوقع ومثير للاهتمام - ليس لأنه لا ينبغي أن يؤثر على النتائج ، ولكنه أثر بشكل كبير. لقد كان مفاجئًا لأنه يعني أن كل هذه النمذجة المعقدة ومتعددة المقاييس التي نقوم بها لفهم جميع الفيزياء ربما تكون مهمة بنسبة 20 في المائة فقط ".

كونها الأولى من نوعها ، يجب أن يكون هناك الكثير من الدراسة المتعمقة قبل أن نتمكن من القول إن هذا صحيح عالميًا.

لاحظ الباحثون أنه يعمل في حالات 70 إلى 80 في المائة من الوقت ، لكنه لا يتنبأ باستجابة جميع الحدود في كل مكان. هذا يعني أن هناك عوامل أخرى تتجاوز الزاوية فقط تؤثر على ما يحدث. إنه فقط الأهم أو من الدرجة الأولى.

قالوا: "نموذج التعلم الآلي الذي عملناه حتى الآن فقط بالقرب من حدود الحبوب". "لا يمكننا حتى الآن التنبؤ بما يحدث في داخل الحبوب. إذن ، أولًا ، نحتاج إلى مجموعة مختلفة من المدخلات التي ستعمل أيضًا في الداخل. لديناها بشكل تجريبي ، لكننا بحاجة إلى تطوير نموذج مختلف وسد الثغرات.

"في النهاية ، ما نريده هو أن نكون قادرين فقط على عرض صورة للبنية المجهرية للخوارزمية وسوف تخبرنا الخوارزمية متى وأين ستفشل المادة. ولكن ، بدلاً من القيام بواحدة كبيرة الشبكة العصبية مناسبًا من البداية إلى النهاية ، سنقوم بخطوات بين ذلك تمثل الفيزياء الكامنة وراءها وفي كل خطوة ، سنستخدم التعلم الآلي لتحديد المدخلات والمخرجات المناسبة ".