AI xác định sự thay đổi cấu trúc vi mô ở vật liệu lão hóa
Các nhà khoa học của Phòng thí nghiệm quốc gia Lawrence Livermore (LLNL) đã tiến một bước dài trong việc thiết kế các vật liệu tương lai với hiệu suất được cải thiện bằng cách phân tích cấu trúc vi mô của nó bằng AI.
.jpg)
Tiến bộ công nghệ trong các ứng dụng khoa học vật liệu bao gồm điện tử, y sinh, năng lượng thay thế, chất điện phân, thiết kế xúc tác và hơn thế nữa thường bị cản trở bởi sự thiếu hiểu biết về mối quan hệ phức tạp giữa cấu trúc vật liệu cơ bản và hiệu suất thiết bị. Tuy nhiên, phân tích dữ liệu do AI điều khiển cung cấp các cơ hội có thể tăng tốc thiết kế và tối ưu hóa vật liệu bằng cách làm sáng tỏ mối tương quan hiệu suất xử lý theo cách có thể xử lý toán học.
Những phát triển gần đây trong các phương pháp học tập sâu dựa trên mạng nơ-ron thần kinh nhân tạo đã cách mạng hóa quá trình khám phá các mối quan hệ phức tạp như vậy bằng cách sử dụng chính dữ liệu thô. Tuy nhiên, để đào tạo các mạng lớn một cách đáng tin cậy, người ta cần dữ liệu từ hàng chục nghìn mẫu, điều không may thường bị cấm trong các hệ thống mới và các ứng dụng mới do chi phí chuẩn bị mẫu và thu thập dữ liệu. Trong các tình huống như vậy, các thuật toán cải tiến là cần thiết để trích xuất các tính năng thích hợp nhất hoặc mô tả ra khỏi dữ liệu thử nghiệm thô.
Mặc dù mỗi cấu trúc vi mô 3D có thể được tạo hình không có cấu trúc bằng quét CT X quang (tại nhiều thời điểm), quá trình thu thập dữ liệu rất tốn thời gian và tốn kém, điều này giới hạn số lượng mẫu thường chỉ vài trăm. Thách thức là sử dụng tốt nhất các dữ liệu hạn chế đó để khám phá bất kỳ mối tương quan hiệu suất vi cấu trúc quá trình, định lượng xu hướng lão hóa dài hạn, cung cấp hiểu biết quy mô vi mô về mã mô phỏng dựa trên vật lý và thiết kế các vật liệu trong tương lai với hiệu suất được cải thiện.
Một nhóm các nhà khoa học vật liệu đã sử dụng các phương pháp được phát triển gần đây trong cấu trúc liên kết trường vô hướng và lý thuyết Morse để trích xuất các tính năng hữu ích như đếm hạt ngũ cốc và vùng bề mặt ranh giới bên trong Dữ liệu X-quang CT.
Sự biến đổi tính năng này sau đó được phân tích bằng nhiều kỹ thuật máy học thống kê, cho phép nhóm nghiên cứu: (1) phân biệt khách quan các cấu trúc vi mô khác nhau do sự khác biệt trong xử lý; (2) theo dõi có hệ thống sự tiến hóa của cấu trúc vi mô trong quá trình lão hóa; và (3) xây dựng các mô hình hiệu suất phụ thuộc vào cấu trúc vi mô.
Phát triển và triển khai các phương pháp này là phương tiện để xác định các tác động phức tạp của các tham số xử lý và lão hóa đối với hiệu suất của các vật liệu có liên quan đến kho dự trữ. Những hiểu biết kết quả sẽ cho phép tối ưu hóa thiết kế thành phần và dự đoán về sự thay đổi lâu dài do hiệu suất, do lão hóa gây ra, có giá trị lớn đối với các hoạt động giám sát được cải thiện.
ctngoc