Galbūt jūs negalite atskirti knygos iš jos viršelio, bet, pasak MIT tyrėjų, dabar galite padaryti lygiavertį visų rūšių medžiagą, nuo lėktuvo dalies iki medicininio implanto. Jų naujas požiūris leidžia inžinieriams išsiaiškinti, kas vyksta viduje, tiesiog stebint medžiagos paviršiaus savybes.
Komanda naudojo mašininio mokymosi tipą, žinomą kaip gilusis mokymasis, kad palygintų daugybę modeliuojamų duomenų apie medžiagų išorinius jėgos laukus ir atitinkamą vidinę struktūrą, ir panaudojo tai, kad sukurtų sistemą, kuri galėtų patikimai prognozuoti vidų iš paviršiaus. duomenis.
Rezultatai skelbiami žurnale Pažangios medžiagosdoktoranto Zhenze Yang ir civilinės bei aplinkos inžinerijos profesoriaus Markuso Buehlerio straipsnyje.
„Tai labai dažna inžinerijos problema“, – aiškina Buehleris. „Jei turite medžiagos gabalą – galbūt tai automobilio durys ar lėktuvo gabalas – ir norite sužinoti, kas yra tos medžiagos viduje, galite išmatuoti paviršiaus įtempimus, darydami vaizdus ir apskaičiuodami, kiek deformuojatės. turėti. Bet jūs negalite žiūrėti į medžiagos vidų. Vienintelis būdas tai padaryti yra jį nupjauti, tada pažvelgti į vidų ir pažiūrėti, ar ten nėra kokių nors pažeidimų.
Taip pat galima naudoti rentgeno spindulius ir kitus metodus, tačiau jie paprastai yra brangūs ir reikalauja didelės įrangos, sako jis. „Taigi, ką mes padarėme, iš esmės uždavėme klausimą: ar galime sukurti AI algoritmą, kuris galėtų pažvelgti į tai, kas vyksta paviršiuje, kurį galime lengvai pamatyti naudodami mikroskopą ar fotografuodami, o gal tiesiog matuodami dalykus medžiagos paviršių, o tada bandyti išsiaiškinti, kas iš tikrųjų vyksta viduje? Ši vidinė informacija gali apimti bet kokius medžiagos pažeidimus, įtrūkimus ar įtempimus arba detales apie jos vidinę mikrostruktūrą.
Tie patys klausimai gali būti taikomi ir biologiniams audiniams, priduria jis. „Ar ten yra liga, koks nors augimas ar audinių pakitimai? Tikslas buvo sukurti sistemą, kuri galėtų atsakyti į tokius klausimus visiškai neinvaziniu būdu.
Norint pasiekti šį tikslą, reikėjo spręsti sudėtingas problemas, įskaitant tai, kad „daugelis tokių problemų turi kelis sprendimus“, – sako Buehleris. Pavyzdžiui, daug skirtingų vidinių konfigūracijų gali turėti tas pačias paviršiaus savybes. Norėdami išspręsti šią dviprasmybę, „sukūrėme metodus, kurie gali suteikti mums visas galimybes, visas galimybes, iš esmės, kurios gali sukelti šį konkretų [surface] scenarijus“.
Jų sukurta technika apėmė AI modelio mokymą, naudojant daugybę duomenų apie paviršiaus matavimus ir su jais susijusias interjero savybes. Tai apėmė ne tik vienodas medžiagas, bet ir tas, kurios buvo derinamos su skirtingomis medžiagomis. „Kai kurie nauji lėktuvai yra pagaminti iš kompozitų, todėl jie turi apgalvotą skirtingų fazių dizainą”, – sako Buehleris. „Ir, žinoma, biologijoje taip pat bet kokia biologinė medžiaga bus pagaminta iš kelių komponentų ir turi labai skirtingas savybes, pavyzdžiui, kauluose, kur yra labai minkštų baltymų, o tada – labai standžios mineralinės medžiagos.
Ši technika tinka net medžiagoms, kurių sudėtingumas nėra visiškai suprantamas, sako jis. „Sudėtingų biologinių audinių atveju mes tiksliai nesuprantame, kaip jis elgiasi, bet galime išmatuoti elgesį. Neturime tam teorijos, bet jei turime pakankamai surinktų duomenų, galime parengti modelį.
Yang sako, kad jų sukurtas metodas yra plačiai taikomas. „Tai neapsiriboja vien kietosios mechanikos problemomis, bet taip pat gali būti taikoma skirtingoms inžinerijos disciplinoms, pavyzdžiui, skysčių dinamikai ir kitiems tipams.” Buehleris priduria, kad jis gali būti taikomas nustatant įvairias savybes, ne tik įtempius ir deformacijas, bet ir skysčių laukus arba magnetinius laukus, pavyzdžiui, magnetinius laukus sintezės reaktoriaus viduje. Tai „labai universali ne tik įvairioms medžiagoms, bet ir skirtingoms disciplinoms“.
Yang sako, kad iš pradžių jis pradėjo galvoti apie šį metodą, kai tyrinėjo duomenis apie medžiagą, kurioje dalis jo naudojamų vaizdų buvo neryškūs, ir jam kilo klausimas, kaip būtų įmanoma „užpildyti tuščią vietą“ trūkstamais duomenimis. neryški sritis. „Kaip galime atkurti šią trūkstamą informaciją? – stebėjosi jis. Skaitydamas toliau jis pastebėjo, kad tai buvo plačiai paplitusios problemos, vadinamos atvirkštine problema, pavyzdys, kai bandoma atkurti trūkstamą informaciją.
Kuriant metodą buvo atliktas pasikartojantis procesas, kurio metu modelis turėjo atlikti preliminarius prognozes, lyginant juos su faktiniais atitinkamos medžiagos duomenimis, tada modelis buvo dar labiau suderintas, kad atitiktų šią informaciją. Gautas modelis buvo išbandytas tais atvejais, kai medžiagos yra pakankamai gerai suprantamos, kad būtų galima apskaičiuoti tikrąsias vidines savybes, o naujojo metodo prognozės gerai atitiko tas apskaičiuotas savybes.
Mokymo duomenys apėmė paviršių vaizdus, bet taip pat įvairius kitus paviršiaus savybių matavimus, įskaitant įtempius ir elektrinius bei magnetinius laukus. Daugeliu atvejų tyrėjai naudojo modeliuotus duomenis, pagrįstus tam tikros medžiagos pagrindinės struktūros supratimu. Ir net tada, kai nauja medžiaga turi daug nežinomų charakteristikų, metodas vis tiek gali sukurti apytikslį apskaičiavimą, kuris yra pakankamai geras, kad inžinieriams būtų pateiktos bendros krypties, kaip atlikti tolesnius matavimus.
Kaip pavyzdį, kaip šią metodiką būtų galima pritaikyti, Buehleris nurodo, kad šiandien lėktuvai dažnai tikrinami išbandant kelias reprezentatyvias sritis brangiais metodais, pavyzdžiui, rentgeno spinduliais, nes būtų nepraktiška išbandyti visą lėktuvą. „Tai kitoks požiūris, kai turite daug pigesnį duomenų rinkimo ir prognozavimo būdą“, – sako Buehleris. „Iš to galite nuspręsti, kur norite ieškoti, ir galbūt naudoti brangesnę įrangą, kad ją išbandytumėte.
Pirmiausia jis tikisi, kad šis metodas, kurį kiekvienas gali laisvai naudoti svetainėje „GitHub“, bus dažniausiai taikomas laboratorijose, pavyzdžiui, bandant medžiagas, naudojamas minkštųjų robotų programoms.
Kalbant apie tokias medžiagas, jis sako: „Galime matuoti dalykus paviršiuje, bet neįsivaizduojame, kas daug kartų vyksta medžiagos viduje, nes ji pagaminta iš hidrogelio arba baltymų arba biomedžiagų, skirtų pavaroms, ir nėra jokios teorijos. už tai. Taigi, tai yra sritis, kurioje mokslininkai galėtų panaudoti mūsų techniką, kad galėtų numatyti, kas vyksta viduje, ir galbūt sukurti geresnius griebtuvus ar geresnius kompozitus“, – priduria jis.
Tyrimą palaikė JAV armijos tyrimų biuras, oro pajėgų mokslinių tyrimų biuras, GoogleCloud platforma ir MIT Quest for Intelligence.
