Los ingenieros desarrollan un sistema de cribado rápido para probar la resistencia a la fractura en miles de millones de materiales potenciales.
Para los ingenieros que desarrollan nuevos materiales o recubrimientos protectores, hay miles de millones de posibilidades diferentes para clasificar. Las pruebas de laboratorio o incluso las simulaciones detalladas por computadora para determinar sus propiedades exactas, como la dureza, pueden llevar horas, días o más para cada variación. Ahora, un nuevo enfoque basado en inteligencia artificial desarrollado en el MIT podría reducir eso a una cuestión de milisegundos, lo que hace que sea práctico para evaluar una gran variedad de materiales candidatos.
El sistema, que los investigadores del MIT esperan que pueda usarse para desarrollar recubrimientos protectores o materiales estructurales más fuertes, por ejemplo, para proteger aeronaves o naves espaciales de los impactos, se describe en un artículo en la revista Matter , por el postdoctorado del MIT Chi-Hua Yu, civil y el profesor de ingeniería ambiental y jefe de departamento Markus J. Buehler, y Yu-Chuan Hsu en la Universidad Nacional de Taiwán.
El enfoque de este trabajo fue predecir la forma en que un material se rompería o fracturaría, analizando la propagación de grietas a través de la estructura molecular del material. Buehler y sus colegas han pasado muchos años estudiando fracturas y otros modos de falla en gran detalle, ya que comprender los procesos de falla es clave para desarrollar materiales robustos y confiables. “Una de las especialidades de mi laboratorio es usar lo que llamamos simulaciones de dinámica molecular, o básicamente simulaciones átomo por átomo” de tales procesos, dice Buehler.
Estas simulaciones proporcionan una descripción químicamente precisa de cómo ocurre la fractura, dice. Pero es lento, porque requiere resolver ecuaciones de movimiento para cada átomo. “Se necesita mucho tiempo para simular estos procesos”, dice. El equipo decidió explorar formas de simplificar ese proceso mediante un sistema de aprendizaje automático.
«Estamos tomando una especie de desvío», dice. «Nos hemos estado preguntando, ¿qué pasaría si solo tuvieras la observación de cómo ocurre la fractura [en un material determinado] y dejaras que las computadoras aprendan esta relación por sí mismas?» Para hacer eso, los sistemas de inteligencia artificial (IA) necesitan una variedad de ejemplos para usar como un conjunto de entrenamiento, para aprender sobre las correlaciones entre las características del material y su desempeño.
En este caso, buscaban una variedad de recubrimientos compuestos en capas hechos de materiales cristalinos. Las variables incluyeron la composición de las capas y las orientaciones relativas de sus estructuras cristalinas ordenadas, y la forma en que esos materiales respondieron a la fractura, según las simulaciones de dinámica molecular. “Básicamente, simulamos, átomo por átomo, cómo se rompen los materiales y registramos esa información”, dice Buehler.
El equipo utilizó simulaciones átomo por átomo para determinar cómo se propagan las grietas a través de diferentes materiales. Esta animación muestra una de esas simulaciones, en la que la grieta se propaga por completo.
Generaron minuciosamente cientos de simulaciones de este tipo, con una amplia variedad de estructuras, y sometieron cada una a muchas fracturas simuladas diferentes. Luego, introdujeron grandes cantidades de datos sobre todas estas simulaciones en su sistema de IA, para ver si podía descubrir los principios físicos subyacentes y predecir el rendimiento de un nuevo material que no formaba parte del conjunto de entrenamiento.
Y lo hizo. «Eso es lo realmente emocionante», dice Buehler, «porque la simulación por computadora a través de IA puede hacer lo que normalmente toma mucho tiempo usando dinámica molecular o simulaciones de elementos finitos, que son otra forma en que los ingenieros resuelven este problema, y es muy lento también. Entonces, esta es una forma completamente nueva de simular cómo fallan los materiales”.
Cómo fallan los materiales es información crucial para cualquier proyecto de ingeniería, enfatiza Buehler. Las fallas de los materiales, como las fracturas, son “una de las mayores razones de pérdidas en cualquier industria. Para inspeccionar aviones, trenes o automóviles, o carreteras o infraestructura, o corrosión del hormigón o del acero, o para comprender la fractura de tejidos biológicos como el hueso, la capacidad de simular fracturas con IA, y hacerlo de manera rápida y muy eficiente, es un verdadero cambio de juego”.
La mejora en la velocidad producida por el uso de este método es notable. Hsu explica que «para las simulaciones individuales en dinámica molecular, ha llevado varias horas ejecutar las simulaciones, pero en esta predicción de inteligencia artificial, solo se necesitan 10 milisegundos para pasar por todas las predicciones de los patrones y mostrar cómo se forma una grieta paso a paso». Por paso.»
«Durante los últimos 30 años, ha habido múltiples enfoques para modelar la propagación de grietas en sólidos, pero sigue siendo un problema formidable y computacionalmente costoso», dice Pradeep Guduru, profesor de ingeniería en la Universidad de Brown, que no participó en este trabajo. . «Al cambiar el gasto computacional para entrenar un algoritmo robusto de aprendizaje automático, este nuevo enfoque puede resultar potencialmente en una herramienta de diseño rápida y económica desde el punto de vista computacional, que siempre es deseable para aplicaciones prácticas».
El método que desarrollaron es bastante generalizable, dice Buehler. “Aunque en nuestro artículo solo lo aplicamos a un material con diferentes orientaciones de cristal, puede aplicar esta metodología a materiales mucho más complejos”. Y si bien usaron datos de simulaciones atomísticas, el sistema también podría usarse para hacer predicciones sobre la base de datos experimentales, como imágenes de un material que se fractura.
«Si tuviéramos un nuevo material que nunca antes habíamos simulado», dice, «si tenemos muchas imágenes del proceso de fractura, también podemos introducir esos datos en el modelo de aprendizaje automático». Cualquiera que sea la entrada, simulada o experimental, el sistema de IA esencialmente pasa por el proceso de evolución cuadro por cuadro, observando cómo cada imagen difiere de la anterior para aprender la dinámica subyacente.
Por ejemplo, a medida que los investigadores hagan uso de las nuevas instalaciones en MIT.nano, la instalación del Instituto dedicada a fabricar y probar materiales a nanoescala, se generarán grandes cantidades de datos nuevos sobre una variedad de materiales sintetizados.
“A medida que tenemos más y más técnicas experimentales de alto rendimiento que pueden producir muchas imágenes muy rápidamente, de manera automatizada, este tipo de fuentes de datos pueden incorporarse inmediatamente al modelo de aprendizaje automático”, dice Buehler. «Realmente creemos que el futuro será uno en el que tengamos mucha más integración entre el experimento y la simulación, mucho más que en el pasado».
El sistema podría aplicarse no solo a la fractura, como hizo el equipo en esta demostración inicial, sino a una amplia variedad de procesos que se desarrollan con el tiempo, dice, como la difusión de un material en otro o los procesos de corrosión. “Siempre que haya evoluciones de campos físicos y queramos saber cómo evolucionan estos campos en función de la microestructura”, dice, este método podría ser de gran ayuda.
La investigación fue apoyada por la Oficina de Investigación Naval de EE. UU. y la Oficina de Investigación del Ejército.
