L'apprendimento automatico sblocca il livello successivo nella previsione del comportamento

quando si studiano le proprietà di un materiale come l'acciaio inossidabile, è impossibile condurre esperimenti separati con ingrandimenti così elevati che lo sottopongono a ogni parametro concepibile: ogni temperatura, ogni angolo di carico, ogni quantità di pressione. Quindi spesso ci affidiamo a modelli.

"Piuttosto che utilizzare un modello fisico estremamente dettagliato e ingombrante con molti parametri di adattamento, abbiamo utilizzato l'apprendimento automatico per addestrare una rete neurale per fare queste previsioni", hanno affermato i ricercatori. “Il machine learning aggira la necessità di una modellazione dettagliata di tutta la fisica alla base del processo e crea una sorta di collegamento diretto, o raccordo, tra gli input e gli output.

Questa è la prima volta che questa tecnica è stata applicata per imparare cosa succede in una microstruttura metallica in varie condizioni di carico. "In questo caso, volevamo vedere quanta deformazione si accumulava ai bordi dei grani in un metallo policristallino durante lo scorrimento". i ricercatori hanno spiegato che lo scorrimento è la tendenza di un materiale solido a deformarsi sotto un carico continuo, proprio come alcune librerie alla fine si piegano sotto il peso dei libri.

“Pensavamo che le differenze fisiche tra i due grani adiacenti al confine sarebbero state più importanti, o almeno un parametro altrettanto importante. Quindi, la scoperta più notevole per me è stata che un singolo parametro geometrico era in grado di prevedere i risultati l'80% delle volte", ha affermato il team. “È la geometria, l'angolo con cui lo stai caricando, che ha fatto la differenza. L'ho trovato inaspettato e interessante, non che non dovrebbe influenzare i risultati, ma che lo ha fatto in modo drammatico. È stato sorprendente perché significa che tutta questa modellazione sofisticata e multiscala che facciamo per comprendere tutta la fisica forse è importante solo per il 20% circa”.

Essendo il primo del suo genere, ci deve essere uno studio molto più approfondito prima di poter dire che questo è universalmente vero.

I ricercatori hanno notato che funziona nei casi dal 70 all'80% delle volte, ma non prevede la risposta di tutti i confini ovunque. Ciò significa che ci sono altri fattori oltre all'angolo che stanno influenzando ciò che sta accadendo. È solo che questo è il più importante o il primo ordine.

"Il modello di apprendimento automatico che abbiamo finora funzionato solo vicino ai confini del grano", hanno detto. “Non possiamo ancora prevedere cosa succede all'interno del grano. Quindi, numero uno, abbiamo bisogno di un diverso set di input che funzionerà anche all'interno. Li abbiamo sperimentalmente, ma dobbiamo sviluppare un modello diverso e colmare le lacune.

“In definitiva, ciò che vogliamo è essere in grado di mostrare solo un'immagine della microstruttura all'algoritmo e l'algoritmo ci dirà quando e dove il materiale si romperà. Ma, piuttosto che fare un grande rete neurale adattarsi dall'inizio alla fine, faremo dei passaggi intermedi che rappresentano la fisica dietro di esso e all'interno di ogni passaggio, utilizzeremo l'apprendimento automatico per determinare gli input e gli output appropriati.