Maschinelles Lernen erschließt die nächste Stufe der Verhaltensvorhersage

Wenn man die Eigenschaften eines Materials wie Edelstahl untersucht, ist es unmöglich, separate Experimente mit so hohen Vergrößerungen durchzuführen, die es allen erdenklichen Parametern aussetzen – jeder Temperatur, jedem Belastungswinkel, jedem Druck. Daher verlassen wir uns oft auf Modelle.

„Anstatt ein extrem detailliertes und umständliches Physikmodell mit vielen Anpassungsparametern zu verwenden, haben wir maschinelles Lernen verwendet, um ein neuronales Netzwerk zu trainieren, um diese Vorhersagen zu treffen“, sagten die Forscher. „Maschinelles Lernen umgeht die Notwendigkeit einer detaillierten Modellierung der gesamten Physik hinter dem Prozess und stellt eine Art direkte Verbindung oder Anpassung zwischen den Eingaben und den Ausgaben her.

Dies ist das erste Mal, dass diese Technik angewendet wird, um zu erfahren, was in einer Metallmikrostruktur unter verschiedenen Belastungsbedingungen passiert. „In diesem Fall wollten wir sehen, wie viel Spannung sich während des Kriechens an Korngrenzen in einem polykristallinen Metall ansammelt.“ Forscher erklärten, dass Kriechen die Tendenz eines festen Materials ist, sich unter einer ständigen Belastung zu verformen, ähnlich wie sich manche Bücherregale schließlich unter dem Gewicht der Bücher verbiegen.

„Wir glaubten, dass die physikalischen Unterschiede zwischen den beiden an die Grenze angrenzenden Körnern wichtiger oder zumindest ein ebenso wichtiger Parameter wären. Das bemerkenswerteste Ergebnis für mich war also, dass ein einziger geometrischer Parameter die Ergebnisse in 80 Prozent der Fälle vorhersagen konnte“, sagte das Team. „Die Geometrie – der Winkel, in dem Sie es laden, hat den größten Unterschied gemacht. Ich fand das unerwartet und interessant – nicht, dass es die Ergebnisse nicht beeinflussen sollte, aber so dramatisch. Es war überraschend, weil es bedeutet, dass all diese ausgeklügelten, mehrskaligen Modellierungen, die wir machen, um die gesamte Physik zu verstehen, vielleicht nur zu etwa 20 Prozent wichtig sind.“

Als erster seiner Art müssen wir noch viel eingehendere Studien durchführen, bevor wir sagen können, dass dies allgemein wahr ist.

Die Forscher stellten fest, dass es in 70 bis 80 Prozent der Fälle funktioniert, aber es sagt nicht überall die Reaktion aller Grenzen voraus. Das bedeutet, dass es neben dem Blickwinkel noch andere Faktoren gibt, die das Geschehen beeinflussen. Es ist nur so, dass dies die wichtigste oder die erste Ordnung ist.

„Das Modell des maschinellen Lernens, das wir bisher nur in der Nähe der Korngrenzen gearbeitet haben“, sagten sie. „Wir können noch nicht vorhersagen, was im Korninneren passiert. Erstens brauchen wir also einen anderen Satz von Eingängen, der auch im Innenraum funktioniert. Wir haben sie experimentell, aber wir müssen ein anderes Modell entwickeln und die Lücken schließen.

„Letztendlich wollen wir dem Algorithmus einfach ein Bild der Mikrostruktur zeigen und der Algorithmus sagt uns, wann und wo das Material versagt. Aber anstatt einen großen zu machen neuronale Netzwerk Fit von Anfang bis Ende, wir werden Zwischenschritte machen, die die Physik dahinter repräsentieren, und innerhalb jedes Schritts werden wir maschinelles Lernen nutzen, um die geeigneten Inputs und Outputs zu bestimmen.“