Инновационная система искусственного интеллекта от MIT CSAIL объединяет моделирование и физические испытания, чтобы выковать материалы с новой прочностью и гибкостью для различных инженерных применений.
Каждый раз, когда вы без труда добираетесь из пункта А в пункт Б, вы наслаждаетесь не только легкостью своего автомобиля, но и сложными инженерными решениями, обеспечивающими его безопасность и надежность. Помимо комфорта и защитных свойств, менее известным, но критически важным элементом являются точно подобранные механические характеристики микроструктурных материалов. Эти материалы, которые очень важны, но на которые иногда не обращают внимания, укрепляют ваш автомобиль, обеспечивая долговечность и прочность при каждой поездке.
К счастью, исследователи Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) решили эту проблему за вас. Группа исследователей вышла за рамки стандартных подходов "проб и ошибок" и разработала материалы с исключительными характеристиками с помощью вычислительного дизайна. Их новый метод сочетает в себе физические испытания, моделирование на основе физики и нейронные сети, чтобы преодолеть разрыв, который часто существует между теоретическими моделями и реальными результатами. Одним из наиболее заметных результатов стала разработка микроструктурированных композитов, используемых во всем - от автомобилей до самолетов, - которые значительно тверже и долговечнее, с идеальным сочетанием жесткости и прочности.
"Проектирование и производство композитов играют важную роль в инженерном деле. Мы надеемся, что наши результаты будут иметь далеко идущие последствия, выходящие за рамки механики твердого тела. Наша методология дает основу для вычислительного проектирования, которое может быть применено в самых разных областях, включая химию полимеров, гидродинамику, метеорологию и даже робототехнику", - говорит Бейчен Ли, аспирант MIT по электротехнике и информатике, сотрудник CSAIL и ведущий исследователь проекта.
В красочном царстве материаловедения атомы и молекулы действуют как маленькие архитекторы, непрерывно сотрудничая, чтобы сформировать будущее всего сущего. Тем не менее, каждая деталь должна найти свой аналог, и в данном случае задача состояла в том, чтобы найти баланс между двумя важными свойствами материала: жесткостью и прочностью. Их стратегия подразумевает исследование широкого дизайнерского пространства двух типов базовых материалов - твердых и хрупких и мягких и вязких - для поиска идеальных микроструктур через различные пространственные расположения.
Важнейшим прорывом в их методологии стало использование нейронных сетей в качестве имитационных суррогатных моделей, что позволило сэкономить время и ресурсы на разработку материалов. "Эволюционный алгоритм, ускоренный нейронными сетями, направляет наши исследования, позволяя нам эффективно находить образцы с наилучшими характеристиками", - говорит Ли.
Волшебные микроструктуры
Исследовательская группа начала свой метод с создания 3D-печатных фотополимеров размером со смартфон, но более тонких, с небольшой выемкой и треугольником на каждом из них. После индивидуальной обработки ультрафиолетовым светом образцы были протестированы на прочность и гибкость с помощью типичного испытательного оборудования Instron 5984.
Исследование включало физические эксперименты и усовершенствованные модели. Используя высокопроизводительную вычислительную систему, команда смогла спрогнозировать и оптимизировать свойства материалов еще до их изготовления. Самым впечатляющим достижением, по их словам, стал тонкий подход к объединению разнородных материалов в крошечном масштабе - процедура, включающая сложный узор из маленьких капель, объединяющих твердые и гибкие компоненты, устанавливая идеальный баланс между прочностью и гибкостью. Результаты моделирования полностью совпали с результатами физических испытаний, продемонстрировав общую эффективность.
Метод нейросетевой ускоренной многоцелевой оптимизации (NMO) дополнил систему, ориентируясь в сложной среде проектирования микроструктур и выявляя комбинации с почти оптимальными механическими свойствами. Этот процесс работает как самокорректирующаяся система, постоянно уточняя прогнозы, чтобы приблизить их к реальности.
Однако на этом пути не обошлось без трудностей. Ли подчеркивает трудности, связанные с поддержанием последовательности в 3D-печати и объединением прогнозов нейронной сети, симуляций и реальных испытаний в эффективный рабочий процесс.
Следующие задачи команды - сделать процедуру более полезной и масштабируемой. Ли представляет себе будущее, в котором лаборатории будут полностью автоматизированы, с минимальным контролем со стороны человека и максимальной эффективностью. "Наша цель - увидеть все, от изготовления до тестирования и вычислений, автоматизированным в интегрированной лабораторной установке", - говорит Ли.
