Neural Network Modeling of Microstructure Complexity Using Digital Libraries

Materialien in der realen Welt sind selten statisch; sie verändern sich, reißen auf und organisieren sich im Laufe der Zeit neu. Ein Metallbalken in einem Flugzeugflügel entwickelt unter wiederholter Belastung langsam einen Haarriss, während sich die mikroskopischen Körner in einer neuen Legierung beim Abkühlen verschieben und neu anordnen. Das Verständnis dieser Veränderungen ist entscheidend für Ingenieure, die vorhersagen müssen, wann eine Struktur versagen könnte oder wie man ein Material mit spezifischen Festigkeiten entwirft. Die Herausforderung liegt in der schieren Komplexität dieser Prozesse. Sie finden über unterschiedliche Größenordnungen und Geschwindigkeiten hinweg statt und involvieren sowohl das Grundmaterial als auch die scharfen Grenzflächen, an denen verschiedene Phasen aufeinandertreffen. Traditionelle Methoden zur Simulation dieser Veränderungen stützen sich auf schwere mathematische Regeln, die beschreiben, wie Kräfte und Chemikalien wandern. Obwohl diese Regeln leistungsstark sind, erfordern sie oft vereinfachende Annahmen, die die chaotischen, unvorhersehbaren Details der Realität übersehen können. Um dies zu umgehen, haben Forscher datengesteuerte Ansätze gewählt, bei denen sie riesige Bibliotheken computergenerierter Bilder nutzen, um Maschinen beizubringen, diese sich entwickelnden Muster zu erkennen und vorherzusagen, ohne sie an starre Gleichungen binden zu müssen.

In einer kürzlich durchgeführten Studie untersuchten Forscher der Tsinghua-Universität einen neuen Weg, um Computer in die Vorhersage dieser mikroskopischen Veränderungen einzuführen. Sie konzentrierten sich auf zwei sehr unterschiedliche Arten von Materialverhalten: das langsame, gezackte Voranschreiten eines Ermüdungsrisses in einer Metallplatte und die Bildung komplizierter, wirbelnder Muster, die als Turing-Muster bekannt sind und in chemischen Reaktionen sowie biologischen Systemen auftreten. Um ihre Modelle zu trainieren, erstellte das Team eine „digitale Bibliothek“, die Tausende von simulierten Schnappschüssen dieser Prozesse enthielt. Anstatt den Computern die zugrunde liegenden physikalischen Gleichungen einzufüttern, zeigten sie ihnen einfach die Bilder der wachsenden Risse und der sich formenden Muster und baten die Maschinen, zu erraten, was als Nächstes passieren würde. Das Ziel war es zu sehen, ob eine spezifische Art von künstlicher Intelligenz, die darauf ausgelegt ist, die Art und Weise nachzuahmen, wie biologische Neuronen nur dann feuern, wenn es notwendig ist, diese komplexen Entwicklungen besser und effizienter lernen kann als Standard-Computermodelle.

Die Forscher testeten zwei Haupttypen von neuronalen Netzen. Die erste Gruppe bestand aus standardmäßigen künstlichen neuronalen Netzen, die das Arbeitspferd moderner Bilderkennung und Videoprädiktion sind. Diese Modelle verarbeiten Informationen kontinuierlich und prüfen in jedem Moment jeden einzelnen Pixel eines Bildes, ähnlich wie eine Kamera, die einen stetigen Strom von Fotos aufnimmt. Die zweite Gruppe nutzte Spiking-neuronale Netze (Impulsneuronale Netze), die eher wie ein Nervensystem funktionieren. In diesen Modellen bleiben die einzelnen Einheiten ruhig, bis sich ein Signal stark genug aufbaut, um einen „Spike“ oder ein Ereignis auszulösen. Diese ereignisgesteuerte Natur bedeutet, dass der Computer nur dann arbeitet, wenn sich tatsächlich etwas ändert, was potenziell eine enorme Menge an Energie und Speicher spart. Das Team wollte sehen, ob dieser biologische Stil des Rechnens die chaotischen, sich entwickelnden Grenzflächen von Materialien besser handhaben kann als der kontinuierliche, pixelhungrige Ansatz herkömmlicher Modelle.

Als die Forscher diese Modelle dem Test unterzogen, waren die Ergebnisse überraschend. Bei der Aufgabe, vorherzusagen, wie ein Riss durch eine Metallplatte wächst, hatten die Standardmodelle Schwierigkeiten, die Risslinie glatt und kontinuierlich zu halten, und erzeugten oft gezackte oder unterbrochene Vorhersagen. Die Spiking-neuronalen Netze hingegen konnten den Pfad des Risses mit bemerkenswerter Präzision nachzeichnen. Noch beeindruckender war die Effizienz: Die Spiking-Modelle erreichten diese hohe Genauigkeit mit wesentlich weniger internen Einstellungen und signifikant weniger Computerspeicher als ihre Standard-Gegenstücke. Im Fall der Turing-Muster, die viele interagierende Grenzen anstelle von nur einer beinhalten, lieferten die Standardmodelle verschwommene, undeutliche Ergebnisse, die die scharfen Kanten der Muster nicht erfassen konnten. Das fortschrittliche Spiking-Modell, das ein spezielles Design besaß, um vergangene Ereignisse zu speichern, übertraf die besten Standardmodelle und reduzierte die Vorhersagefehler um fast achtundzwanzig Prozent bei gleichzeitig nur einem Bruchteil der Rechenressourcen.

Die Studie deutet darauf an, dass das Geheimnis dieses Erfolgs in der Art und Weise liegt, wie die Spiking-Netze aufgebaut sind. Im Gegensatz zu Standardnetzwerken, die fast alles mit allem verbinden, bildeten die Spiking-Modelle viel dünner besetzte (sparse) Verbindungen aus und verknüpften nur die relevantesten Teile der Daten. Diese Dünnbesetztheit, kombiniert mit der Art und Weise, wie das Modell mit der Zeit umgeht, ermöglichte es ihm, sich auf die wesentlichen Merkmale der sich entwickelnden Grenzflächen zu konzentrieren, ohne in unnötigen Details stecken zu bleiben. Die Forscher fanden heraus, dass für einfaches Risswachstum ein sehr kleines Netzwerk ausreichend war, aber für die komplexen, kollektiven Muster der Turing-Systeme eine größere, anspruchsvollere Version des Spiking-Modells erforderlich war. Dies deutet darauf hin, dass die Komplexität des Materialverhaltens die Komplexität des Modells bestimmt, das zur Vorhersage benötigt wird.

Diese Erkenntnisse weisen auf eine neue Richtung für das Ingenieurwesen und die Materialwissenschaften hin. Durch die Verwendung dieser effizienten, ereignisgesteuerten Modelle könnte es möglich werden, digitale Zwillinge physischer Strukturen zu erstellen, die ihren eigenen Gesundheitszustand in Echtzeit mit sehr geringem Energieverbrauch überwachen können. Dies ist besonders wichtig für Anwendungen wie die Luft- und Raumfahrt, in denen Gewicht und Leistung kritische Randbedingungen darstellen. Die Studie zeigt, dass es durch das Lernen von Maschinen aus digitalen Bibliotheken simulierter Daten – anstatt sie zu zwingen, schwierige mathematische Probleme zu lösen – möglich ist, den komplizierten Tanz der Materialentwicklung mit größerer Klarheit und geringeren Kosten zu erfassen. Die Arbeit legt nahe, dass die Zukunft der Vorhersage, wie Materie sich verändert, nicht in leistungsfähigeren Supercomputern liegen könnte, sondern in klügeren, effizienteren Wegen, die bereits vorhandenen Informationen zu verarbeiten.