Pembelajaran mesin Membuka Level Selanjutnya dalam Prediksi Perilaku

ketika mempelajari sifat-sifat bahan seperti baja tahan karat, tidak mungkin untuk melakukan eksperimen terpisah pada perbesaran yang sedemikian tinggi yang tunduk pada setiap parameter yang mungkin—setiap suhu, setiap sudut pemuatan, setiap jumlah tekanan. Jadi kita sering mengandalkan model.

“Daripada menggunakan model fisika yang sangat detail dan rumit dengan banyak parameter yang pas, kami menggunakan pembelajaran mesin untuk melatih jaringan saraf untuk membuat prediksi ini,” kata para peneliti. “Pembelajaran mesin mengabaikan kebutuhan untuk pemodelan terperinci dari semua fisika di balik proses dan membuat semacam hubungan langsung, atau penyesuaian, antara input dan output.

Ini adalah pertama kalinya teknik ini diterapkan untuk mempelajari apa yang terjadi dalam struktur mikro logam di bawah berbagai kondisi pembebanan. “Dalam hal ini, kami ingin melihat berapa banyak regangan yang terakumulasi pada batas butir dalam logam polikristalin selama creep.” peneliti menjelaskan bahwa merayap adalah kecenderungan bahan padat untuk berubah bentuk di bawah beban terus-menerus, seperti beberapa rak buku akhirnya menekuk di bawah berat buku.

“Kami percaya perbedaan fisik antara dua butir yang berdekatan dengan batas akan lebih penting, atau setidaknya parameter yang sama pentingnya. Jadi, temuan yang paling luar biasa bagi saya adalah bahwa satu parameter geometris mampu memprediksi hasil sebanyak 80 persen,” kata tim tersebut. “Geometrinya —sudut di mana Anda memuatnyalah yang paling membuat perbedaan. Saya menemukan bahwa hal itu tidak terduga dan menarik—bukannya hal itu seharusnya tidak mempengaruhi hasil, tetapi hal itu terjadi secara dramatis. Itu mengejutkan karena itu berarti bahwa semua pemodelan multi-skala yang canggih ini yang kita lakukan untuk memahami semua fisika mungkin hanya sekitar 20 persen penting.”

Menjadi yang pertama dari jenisnya, harus ada lebih banyak studi mendalam sebelum kita dapat mengatakan bahwa ini benar secara universal.

Para peneliti mencatat bahwa itu bekerja dalam kasus 70 hingga 80 persen dari waktu, tetapi itu tidak memprediksi respons dari semua batas di mana-mana. Ini berarti bahwa ada faktor-faktor lain di luar hanya sudut yang mempengaruhi apa yang terjadi. Hanya saja ini yang paling penting atau orde pertama.

“Model pembelajaran mesin yang kami miliki sejauh ini hanya bekerja di dekat batas butir,” kata Mereka. “Kami belum bisa memprediksi apa yang terjadi di bagian dalam biji-bijian. Jadi, nomor satu, kita membutuhkan satu set input berbeda yang juga akan berfungsi di interior. Kami memilikinya secara eksperimental, tetapi kami perlu mengembangkan model yang berbeda dan mengisi kekosongan.

“Pada akhirnya, yang kami inginkan adalah hanya dapat menampilkan gambar struktur mikro ke algoritme dan algoritme akan memberi tahu kami kapan dan di mana materi akan gagal. Tapi, daripada melakukan yang besar saraf jaringan cocok dari awal hingga akhir, kami akan melakukan langkah-langkah di antaranya yang mewakili fisika di baliknya dan dalam setiap langkah, kami akan menggunakan pembelajaran mesin untuk menentukan input dan output yang sesuai.”