Neural Network Modeling of Microstructure Complexity Using Digital Libraries

Materialen in de echte wereld zijn zelden statisch; ze veranderen, barsten en reorganiseren zich in de loop van de tijd. Een metalen balk in een vliegtuigvleugel ontwikkelt langzaam een haarscheurtje onder herhaalde belasting, terwijl de microscopische korrels in een nieuwe legering verschuiven en zich herschikken terwijl ze afkoelen. Het begrijpen van deze veranderingen is essentieel voor ingenieurs die moeten voorspellen wanneer een structuur kan falen of hoe ze een materiaal met specifieke sterktes kunnen ontwerpen. De uitdaging ligt in de enorme complexiteit van deze processen. Ze vinden plaats op verschillende schalen en snelheden, waarbij zowel het bulkmateriaal als de scherpe grenzen waar verschillende fasen elkaar ontmoeten, betrokken zijn. Traditionele methoden voor het simuleren van deze veranderingen vertrouwen op zware wiskundige regels die beschrijven hoe krachten en chemische stoffen bewegen. Hoewel krachtig, vereisen deze regels vaak vereenvoudigende aannames die de rommelige, onvoorspelbare details van de werkelijkheid kunnen missen. Om dit te omzeilen, hebben onderzoekers zich gericht op datagestuurde benaderingen, waarbij enorme bibliotheken van door de computer gegenereerde afbeeldingen worden gebruikt om machines te leren hoe ze deze evoluerende patronen kunnen herkennen en voorspellen zonder gedwongen te worden complexe vergelijkingen te volgen.

In een recente studie verkenden onderzoekers van de Tsinghua Universiteit een nieuwe manier om computers te leren deze microscopische veranderingen te voorspellen. Ze richtten zich op twee zeer verschillende soorten materiaalgedrag: de trage, grillige voortgang van een vermoeidheidsbreuk in een metalen plaat, en de vorming van ingewikkelde, kolkende patronen die bekend staan als Turing-patronen, die verschijnen in chemische reacties en biologische systemen. Om hun modellen te trainen, bouwde het team een "digitale bibliotheek" met duizenden gesimuleerde snapshots van deze processen. In plaats van de computers de onderliggende natuurkundige vergelijkingen te voeren, lieten ze de computers simpelweg de beelden zien van de groeiende scheuren en de vormende patronen over de tijd, waarbij ze de machines vroegen te raden wat er vervolgens zou gebeuren. Het doel was om te zien of een specifiek type kunstmatige intelligentie, ontworpen om de manier waarop biologische neuronen alleen vuren wanneer dat nodig is na te bootsen, deze complexe evoluties beter en efficiënter kon leren dan standaard computermodellen.

De onderzoekers testten twee hoofdtypen neurale netwerken. De eerste groep bestond uit standaard kunstmatige neurale netwerken, die de werkpaarden zijn van moderne beeldherkenning en videovoorspelling. Deze modellen verwerken informatie continu en controleren elke pixel in een afbeelding op elk moment, vergelijkbaar met een camera die een constante stroom foto's maakt. De tweede groep maakte gebruik van spiking neurale netwerken, die meer werken als een zenuwstelsel. In deze modellen blijven de individuele eenheden stil totdat een signaal sterk genoeg is opgebouwd om een "spike", of een gebeurtenis, te triggeren. Deze gebeurtenisgestuurde aard betekent dat de computer alleen werk verricht wanneer er daadwerkelijk iets verandert, wat potentieel een enorme hoeveelheid energie en geheugen bespaart. Het team wilde zien of deze biologische stijl van computerberekening de rommelige, evoluerende interfaces van materialen beter kon afhandelen dan de continue, pixel-hongerige aanpak van standaardmodellen.

Toen de onderzoekers deze modellen op de proef stelden, waren de resultaten verrassend. Voor de taak van het voorspellen van hoe een scheur door een metalen plaat zou groeien, hadden de standaardmodellen moeite om de scheurlijn glad en continu te houden, wat vaak resulteerde in grillige of gebroken voorspellingen. De spiking neurale netwerken slaagden er echter in om het pad van de scheur met opmerkelijke precisie te volgen. Nog indrukwekkender was de efficiëntie: de spiking-modellen bereikten deze hoge nauwkeurigheid met veel minder interne instellingen en aanzienlijk minder computergeheugen dan hun standaard tegenhangers. In het geval van de Turing-patronen, die te maken hebben met veel interagerende grenzen in plaats van slechts één, produceerden de standaardmodellen wazige, onduidelijke resultaten die er niet in slaagden de scherpe randen van de patronen vast te leggen. Het geavanceerde spiking-model, dat een speciaal ontwerp bevatte om gebeurtenissen uit het verleden te onthouden, presteerde beter dan de beste standaardmodellen, waarbij het voorspellingsfouten met bijna achttien procent verminderde terwijl het slechts een fractie van de rekenbronnen gebruikte.

De studie suggereert dat het geheim van dit succes ligt in de manier waarop de spiking-netwerken zijn gebouwd. In tegen tegenstelling tot standaardnetwerken die bijna alles met alles verbinden, vormden de spiking-modellen veel lossere verbindingen, waarbij ze alleen de meest relevante delen van de data koppelden. Deze schaarste, gecombineerd met de manier waarop het model met tijd omgaat, stelde het in staat zich te concentreren op de essentiële kenmerken van de evoluerende interfaces zonder te verdrinken in onnodige details. De onderzoekers ontdekten dat voor eenvoudige scheurgroei een zeer klein netwerk voldoende was, maar voor de complexe, collectieve patronen van de Turing-systemen was een grotere, meer geavanceerde versie van het spiking-model vereist. Dit geeft aan dat de complexiteit van het gedrag van het materiaal de complexiteit van het model bepaalt dat nodig is om het te voorspellen.

Deze bevindingen wijzen op een nieuwe richting voor engineering en materiaalkunde. Door deze efficiënte, gebeurtenisgestuurde modellen te gebruiken, kan het mogelijk worden om digitale tweelingen van fysieke structuren te creëren die hun eigen gezondheid in realtime kunnen monitoren met een zeer laag energieverbruik. Dit is met name belangrijk voor toepassingen zoals de luchtvaart, waar gewicht en vermogen kritieke beperkingen zijn. De studie laat zien dat door machines te laten leren van digitale bibliotheken van gesimuleerde data, in plaats van hen te dwingen moeilijke wiskundige problemen op te lossen, we de ingewikkelde dans van materiaalevolutie met meer helderheid en minder kosten kunnen vastleggen. Het werk suggereert dat de toekomst van het voorspellen hoe materie verandert niet wellicht ligt in krachtigere supercomputers, maar in slimmere, efficiëntere manieren om de informatie die ze al hebben te verwerken.