Перспективы искусственного интеллекта в разработке пористых материалов могут повлиять на самые разные области: от ортопедических имплантатов до аккумуляторов нового поколения.
Мир полон отверстий. Кости, камни, дерево, бетон — при внимательном рассмотрении этих материалов можно обнаружить, что их структура содержит крошечные карманы пустого пространства. И эти карманы хаотичны: они меньше похожи на идеально одинаковые кубики в лотке для льда и больше напоминают переменные ямки и туннели, как в швейцарском сыре.
Небольшие отверстия создают серьёзную проблему для инженеров, которые хотят предсказать, как пористые материалы будут вести себя в различных условиях проектирования. Например, при разработке протезов конечностей и имплантатов, особенно тех, которые крепятся непосредственно к скелету, необходимо учитывать свойства костей. Камни, дерево и бетон — важные элементы при строительстве зданий. Инженерам необходимо знать, как эти материалы будут вести себя под физической нагрузкой, независимо от того, выдерживают ли они вес одного пациента больницы или целого многоквартирного дома.
Группа исследователей из Дьюка опубликовала ряд статей, в которых предложено решение этой задачи с помощью искусственного интеллекта. Сотрудничество возглавляют: доцент кафедры гражданского и экологического проектирования Лора Далтон; профессор гражданского и экологического проектирования Манолис Вевеакис; профессор машиностроения и материаловедения Кен Галл.
Две статьи были опубликованы в Communications Engineering и ACS Omega, а третья — в Philosophical Transactions of the Royal Society A.
«Результаты этих работ вселяют в меня надежду и воодушевляют! — отметила Далтон. — Искусственный интеллект позволяет нам быстро выявлять закономерности поведения материалов, что было бы невозможно для человека».
В мире исследований материалов одна математическая теорема давно предполагает, что четыре особенности микроструктуры пористого материала могут дать полное описание его свойств.
Эти особенности включают:
* пористость — количество пустого пространства внутри структуры;
* площадь внутренней поверхности — площадь поверхности, обнажённая пустым пространством;
* средний размер зёрен — средний размер твёрдых частей структуры;
* связность — степень соединения твёрдых частей друг с другом.
Исследователи проверили эту теорему. В статье, опубликованной в Communications Engineering под руководством бывшего аспиранта лаборатории Линдвеистера Уинстона, они предоставили искусственному интеллекту изображения пористых структур и попросили его найти любые особенности, которые можно использовать для прогнозирования их прочности.
ИИ определил 35 различных характеристик, которые при совместном использовании точно предсказывали результаты реальных испытаний на прочность с помощью 3D-печатных физических образцов, проведённых бывшим аспирантом лаборатории Галла Джейкобом Пелуином.
Затем исследователи попросили другой ИИ сделать те же прогнозы прочности, используя только четыре характеристики, предложенные классической теоремой. Точность этого ИИ оказалась примерно такой же, как у 35-характеристического ИИ, что подтверждает правильность теоремы: этих четырёх ключевых характеристик было достаточно для эффективного прогнозирования прочности пористого материала.
«Одна из первых идей, с которыми я столкнулась в своей исследовательской карьере, заключалась в том, что, если мы сможем определить ключевые особенности, которые управляют примерно 90% наблюдаемого явления, то мы сможем правильно спроектировать и поддерживать систему для этого явления, которая будет делать то, что мы хотим, — сказала Далтон. — Поэтому тот факт, что наши результаты позволяют упростить сложную задачу проектирования до четырёх характеристик, является замечательным».
«Если мы сможем надёжно предсказать реакцию материала на основе всего нескольких структурных особенностей, мы сможем значительно упростить процесс проектирования, — сказал Линдвеистер. — В сочетании с такими технологиями, как 3D-печать, это даёт нам беспрецедентный контроль над тем, как мы адаптируем структуры для достижения конкретных целей».
С учётом этой упрощённой модели исследователи попытались создать ИИ, который мог бы решить обратную задачу: если задан желаемый уровень прочности, может ли ИИ предсказать характеристики пористого материала, который будет иметь такую прочность?
В статье Philosophical Transactions of the Royal Society A, подготовленной аспиранткой лаборатории Далтона Цинь И (Эммой) Тянь, исследователи обучили ИИ обрабатывать данные о прочности неизвестного пористого материала и предсказывать, как могут выглядеть четыре ключевые особенности этого материала. Затем исследователи напечатали физические образцы на основе этих прогнозов и раздробили их, чтобы подтвердить, что их прочность соответствует ожиданиям.
«Модель ИИ показала большой потенциал в надёжном прогнозировании четырёх характеристик, необходимых для заданной прочности, — сказала Тянь. — Это многообещающе, поскольку подобные модели могут быть применены к решению множества практических задач проектирования и конструирования».
Исследователи также изучили, может ли ИИ использовать те же четыре характеристики для прогнозирования свойств, отличных от прочности. В статье ACS Omega, подготовленной Линдвеистером, они обнаружили, что ИИ может предсказать, насколько хорошо внутренние структуры пористых материалов способствуют определённым химическим реакциям, что важно для проектирования аккумуляторов.
Вместе эти достижения в области прогнозирования свойств пористых материалов имеют огромный потенциал для всех видов проектных работ. Одна из нерешённых проблем в инженерии — зависимость от критически важных минералов. Возможность прогнозировать и разрабатывать пористые материалы с заданными свойствами позволяет инженерам опробовать новые материалы, которые более доступны, чем те, которые используются в настоящее время.
Аспект, связанный с использованием искусственного интеллекта, также предлагает инновации для самого процесса тестирования материалов. Инженеры никогда не смогут полностью отказаться от таких процедур, как разрушительные испытания, но ИИ может помочь минимизировать количество необходимых разрушительных испытаний, а также сэкономить время, деньги и материальные ресурсы.
Эти проблемы и стали отправной точкой для данного направления исследований.
«Когда вы работаете над проектом по геотермальной энергетике, вы часто получаете только один образец, скажем, с глубины 2000 футов под землёй, и вам нужно извлечь из него как можно больше информации, — сказал Вевеакис. — С помощью ИИ мы могли бы узнать гораздо больше об этом образце, прежде чем уничтожить его в ходе физических испытаний».
В сфере строительства Далтон видит в этих прогнозах возможность оптимизировать использование материалов.
«Как инженер-строитель, я считаю, что самый важный аспект нашей работы — помнить, что созданное нами предназначено для использования гражданскими лицами, — сказала она. — Поэтому инженеры всегда учитывают факторы безопасности в своих проектах».
«Однако эти факторы безопасности также приводят к неэффективному использованию материалов, времени, труда и денег. С помощью этих прогнозных инструментов инженеры могут оптимизировать структурно обоснованный проект с меньшим количеством материалов и за гораздо более короткое время».
Галл также с нетерпением ждёт роли, которую эти модели искусственного интеллекта могут сыграть в медицинской сфере.
«Синтетические биоматериалы — и кости, которые они призваны заменить, — имеют пористую структуру, — сказал он. — Эти модели искусственного интеллекта интересны, поскольку позволяют нам прогнозировать деформационное поведение как костей, так и имплантатов. Это может быть полезно для решения самых разных задач: от прогнозирования воздействия старения костей до индивидуального проектирования имплантатов для отдельных пациентов».
Предоставлено:
Duke University