Redes neuronales utilizadas para repensar el diseño de materiales
Las estructuras microscópicas y las propiedades de los materiales están íntimamente ligadas y su personalización es un desafío. Los ingenieros de Rice University están decididos a simplificar el proceso mediante el aprendizaje automático.
Con este fin, el laboratorio Rice del científico de materiales Ming Tang, en colaboración con el físico Fei Zhou del Laboratorio Nacional Lawrence Livermore, introdujo una técnica para predecir la evolución de las microestructuras (características estructurales entre 10 nanómetros y 100 micrones) en los materiales.
Su artículo de acceso abierto en la revista Cell Press Patterns muestra cómo se pueden entrenar las redes neuronales (modelos informáticos que imitan las neuronas en el cerebro) para predecir cómo se desarrollará una estructura en un entorno determinado, de forma muy similar a como se forma un copo de nieve a partir de la humedad en la naturaleza.
De hecho, las estructuras de cristales dendríticos en forma de copo de nieve fueron uno de los ejemplos que utilizó el laboratorio en su estudio de prueba de concepto.
“En la ciencia de los materiales moderna, está ampliamente aceptado que la microestructura a menudo juega un papel crítico en el control de las propiedades de un material”, dijo Tang. “No solo desea controlar cómo se colocan los átomos en las redes, sino también cómo se ve la microestructura, lo que le brinda un buen rendimiento e incluso una nueva funcionalidad.
“El santo grial del diseño de materiales es poder predecir cómo cambiará una microestructura en determinadas condiciones, si la calentamos o aplicamos una tensión o algún otro tipo de estimulación”, dijo.
Tang ha trabajado para refinar la predicción de microestructuras a lo largo de su carrera, pero dijo que el enfoque tradicional basado en ecuaciones enfrenta desafíos significativos para permitir que los científicos satisfagan la demanda de nuevos materiales.
«Los enormes avances en el aprendizaje automático nos han animado a Fei de Lawrence Livermore ya nosotros a ver si podemos aplicarlo a los materiales», dijo.
Afortunadamente, había muchos datos del método tradicional para ayudar a entrenar las redes neuronales del equipo, que visualizan la evolución temprana de las microestructuras para predecir el siguiente paso, y el siguiente, y así sucesivamente.
“Para eso es buena la maquinaria, ver la correlación de una manera muy compleja que la mente humana no es capaz de hacer”, dijo Tang. «Lo aprovechamos».
Los investigadores probaron sus redes neuronales en cuatro tipos distintos de microestructura: propagación de ondas planas, crecimiento de granos, descomposición espinodal y crecimiento de cristales dendríticos.
En cada prueba, las redes se alimentaron entre 1000 y 2000 conjuntos de 20 imágenes sucesivas que ilustran la evolución de la microestructura de un material según lo predicho por las ecuaciones. Después de aprender las reglas de la evolución a partir de estos datos, la red recibió de 1 a 10 imágenes para predecir las siguientes 50 a 200 imágenes, y por lo general lo hizo en segundos.
Las ventajas de la nueva técnica se hicieron evidentes rápidamente: las redes neuronales, impulsadas por procesadores gráficos, aceleraron los cálculos hasta 718 veces para el crecimiento del grano, en comparación con el algoritmo anterior. Cuando se ejecutaban en un procesador central estándar, seguían siendo 87 veces más rápidos que el método anterior. La predicción de otros tipos de evolución de la microestructura mostró aumentos de velocidad similares, pero no tan dramáticos.
Las comparaciones con imágenes del método de simulación tradicional demostraron que las predicciones eran en gran parte correctas, dijo Tang. «Basándonos en eso, vemos cómo podemos actualizar los parámetros para hacer la predicción cada vez más precisa», dijo. “Entonces podemos usar esas predicciones para ayudar a diseñar materiales que nunca antes habíamos visto.
“Otra ventaja es que puede hacer predicciones incluso cuando no sabemos todo sobre las propiedades de los materiales en un sistema”, dijo Tang. «No podríamos hacer esto con el método basado en ecuaciones, que necesita conocer todos los valores de los parámetros en las ecuaciones para ejecutar simulaciones».
Tang dijo que la eficiencia computacional de las redes neuronales podría acelerar el desarrollo de nuevos materiales. Espera que esto sea útil en el diseño continuo de su laboratorio para baterías más eficientes. «Estamos pensando en nuevas estructuras tridimensionales que ayudarán a cargar y descargar las baterías mucho más rápido de lo que tenemos actualmente», dijo Tang. «Es un problema de optimización que encaja perfectamente con nuestro nuevo enfoque».
