Học máy mở ra cấp độ tiếp theo trong dự đoán hành vi

Khi nghiên cứu các đặc tính của một vật liệu như thép không gỉ, không thể tiến hành các thí nghiệm riêng biệt ở độ phóng đại cao đến mức phải tuân theo mọi thông số có thể hình dung được—mọi nhiệt độ, mọi góc tải, mọi mức áp suất. Vì vậy chúng ta thường dựa vào mô hình.

Các nhà nghiên cứu cho biết: “Thay vì sử dụng một mô hình vật lý cực kỳ chi tiết và cồng kềnh với nhiều thông số phù hợp, chúng tôi đã sử dụng máy học để huấn luyện mạng lưới thần kinh nhằm đưa ra những dự đoán này”. “Học máy bỏ qua nhu cầu mô hình hóa chi tiết tất cả các yếu tố vật lý đằng sau quy trình và tạo ra một loại liên kết trực tiếp hoặc khớp nối giữa đầu vào và đầu ra.

Đây là lần đầu tiên kỹ thuật này được áp dụng để tìm hiểu điều gì xảy ra trong vi cấu trúc kim loại dưới các điều kiện tải khác nhau. “Trong trường hợp này, chúng tôi muốn xem mức độ biến dạng tích lũy ở các ranh giới hạt trong kim loại đa tinh thể trong quá trình rão”. các nhà nghiên cứu giải thích rằng hiện tượng rão là xu hướng vật liệu rắn biến dạng dưới tải trọng liên tục, giống như một số giá sách cuối cùng bị uốn cong dưới sức nặng của sách.

“Chúng tôi tin rằng sự khác biệt vật lý giữa hai hạt nằm sát ranh giới sẽ quan trọng hơn, hoặc ít nhất là một thông số quan trọng không kém. Vì vậy, phát hiện đáng chú ý nhất đối với tôi là một tham số hình học duy nhất có thể dự đoán kết quả 80% thời gian,” nhóm nghiên cứu cho biết. “Chính hình học—góc mà bạn tải nó đã tạo ra sự khác biệt lớn nhất. Tôi thấy điều đó thật bất ngờ và thú vị— không phải là nó không ảnh hưởng đến kết quả, mà là nó ảnh hưởng đến mức này một cách đáng kinh ngạc. Thật đáng ngạc nhiên vì nó có nghĩa là tất cả những mô hình phức tạp, đa quy mô mà chúng ta thực hiện để hiểu toàn bộ vật lý học có lẽ chỉ quan trọng khoảng 20%.”

Là người đầu tiên thuộc loại này, phải có nhiều nghiên cứu sâu hơn trước khi chúng ta có thể nói điều này là đúng trên toàn cầu.

Các nhà nghiên cứu lưu ý rằng nó hoạt động trong 70 đến 80% trường hợp, nhưng nó không dự đoán được phản ứng của tất cả các ranh giới ở mọi nơi. Điều này có nghĩa là có những yếu tố khác ngoài góc độ đang ảnh hưởng đến những gì đang xảy ra. Chỉ là đây là điều quan trọng nhất hoặc là điều đầu tiên.

Họ cho biết: “Mô hình học máy mà chúng tôi sử dụng cho đến nay chỉ hoạt động ở gần ranh giới hạt”. “Chúng tôi chưa thể dự đoán được điều gì sẽ xảy ra bên trong hạt. Vì vậy, thứ nhất, chúng ta cần một bộ đầu vào khác cũng sẽ hoạt động trong nội thất. Chúng tôi đã thử nghiệm chúng, nhưng chúng tôi cần phát triển một mô hình khác và lấp đầy những khoảng trống.

“Cuối cùng, điều chúng tôi muốn là có thể chỉ hiển thị hình ảnh của cấu trúc vi mô cho thuật toán và thuật toán sẽ cho chúng tôi biết khi nào và ở đâu vật liệu sẽ hỏng. Nhưng thay vì làm một việc lớn mạng lưới thần kinh phù hợp từ đầu đến cuối, chúng tôi sẽ thực hiện các bước ở giữa để thể hiện tính chất vật lý đằng sau nó và trong mỗi bước, chúng tôi sẽ sử dụng máy học để xác định đầu vào và đầu ra thích hợp.”