머신 러닝은 행동 예측의 다음 단계를 열어줍니다

스테인리스강과 같은 재료의 특성을 연구할 때 모든 가능한 매개변수(모든 온도, 모든 하중 각도, 모든 압력의 양)에 영향을 받는 고배율에서 별도의 실험을 수행하는 것은 불가능합니다. 그래서 우리는 종종 모델에 의존합니다.

연구원들은 "많은 피팅 매개변수가 있는 매우 상세하고 복잡한 물리학 모델을 사용하는 대신 머신 러닝을 사용하여 이러한 예측을 수행하는 신경망을 훈련했습니다"라고 말했습니다. “머신 러닝은 프로세스 이면의 모든 물리학에 대한 상세한 모델링의 필요성을 우회하고 입력과 출력 사이에 일종의 직접 연결 또는 피팅을 만듭니다.

다양한 하중 조건에서 금속 미세 구조에서 어떤 일이 발생하는지 알아보기 위해 이 기술이 적용된 것은 이번이 처음입니다. "이 경우 우리는 크리프 동안 다결정 금속의 결정립계에 얼마나 많은 변형이 축적되는지 확인하고 싶었습니다." 연구자들은 크리프(creep)는 일부 책장이 책의 무게로 인해 결국 구부러지는 것과 같이 지속적인 하중 하에서 고체 재료가 변형되는 경향이라고 설명했습니다.

“우리는 경계에 인접한 두 입자 사이의 물리적 차이가 더 중요하거나 최소한 동등하게 중요한 매개변수가 될 것이라고 믿었습니다. 그래서 저에게 가장 놀라운 발견은 하나의 기하학적 매개변수가 80%의 시간 동안 결과를 예측할 수 있다는 것이었습니다.”라고 팀이 말했습니다. “가장 큰 차이를 만든 것은 하중을 가하는 각도인 지오메트리입니다. 결과에 영향을 주어서는 안 되지만 극적으로 영향을 미친다는 점에서 예상치 못한 흥미로운 점을 발견했습니다. 모든 물리학을 이해하기 위해 수행하는 이 모든 정교한 다중 스케일 모델링이 약 20%만 중요하다는 것을 의미하기 때문에 놀라운 일이었습니다.”

이러한 종류의 최초이기 때문에 이것이 보편적으로 사실이라고 말할 수 있으려면 훨씬 더 깊이 있는 연구가 있어야 합니다.

연구원들은 70~80%의 경우에 작동하지만 모든 경계의 응답을 모든 곳에서 예측하지는 못한다고 말했습니다. 이것은 일어나는 일에 영향을 미치는 각도 외에 다른 요인이 있음을 의미합니다. 이것이 가장 중요한 것 또는 첫 번째 순서 일뿐입니다.

"지금까지 우리가 사용했던 머신 러닝 모델은 입자 경계 근처에서만 작동했습니다."라고 그들은 말했습니다. “우리는 곡물 내부에서 어떤 일이 일어나는지 아직 예측할 수 없습니다. 따라서 첫 번째로 실내에서도 작동할 다른 입력 세트가 필요합니다. 실험적으로 가지고 있지만 다른 모델을 개발하고 격차를 채워야 합니다.

“궁극적으로 우리가 원하는 것은 미세구조의 이미지를 알고리즘에 보여줄 수 있고 알고리즘은 재료가 언제 어디서 실패할지 알려줄 것입니다. 하지만 큰 일을 하기 보다는 신경망 처음부터 끝까지 적합하기 때문에 그 배후의 물리학을 나타내는 단계를 수행하고 각 단계 내에서 머신 러닝을 사용하여 적절한 입력과 출력을 결정할 것입니다.”