Il sistema di apprendimento profondo esplora l'interno dei materiali dall'esterno

Valutare dall'esterno l'aspetto dei materiali all'interno? In linea di principio è tecnicamente possibile, ad esempio con la tecnologia a raggi-X. Oppure, se la distruzione non è un problema, si può semplicemente tagliare il materiale. Un nuovo metodo basato sull'intelligenza artificiale sfrutta ora il fatto che molto di ciò che accade all'interno di un materiale ha un'influenza anche sulla superficie. Un team di ricercatori del MIT ha utilizzato il Deep Learning per confrontare un'ampia serie di dati simulati sui campi di forza esterni dei materiali con la corrispondente struttura interna, per sviluppare un sistema in grado di fare previsioni affidabili sull'interno in base ai dati di superficie. I risultati sono stati pubblicati dalla dottoranda Zhenze Yang e dal professore di Ingegneria civile e ambientale Markus Bühler sulla rivista Advanced Materials.

Quando le strutture di superficie si riferiscono all'interno

Secondo Markus Bühler, si tratta di un problema comune in ingegneria: "Se si dispone di un pezzo di materiale - magari una portiera di un'auto o una parte di un aereo - e si vuole sapere cosa c'è all'interno del materiale, si possono misurare le deformazioni sulla superficie scattando foto e calcolando la quantità di deformazione. Ma non è possibile guardare all'interno del materiale. Lo si può fare solo tagliandolo e poi guardando all'interno per vedere se c'è qualche danno". La tecnologia a raggi X, invece, è costosa e richiede attrezzature ingombranti. "Quindi ci siamo posti la domanda: Possiamo sviluppare un algoritmo di intelligenza artificiale che osservi ciò che accade sulla superficie, che possiamo facilmente vedere con un microscopio o una fotografia, o semplicemente misurare le cose sulla superficie del materiale, e poi cercare di capire cosa sta accadendo all'interno?". Queste informazioni interne potrebbero includere danni, crepe o tensioni nel materiale, o dettagli della microstruttura interna. Lo stesso tipo di domande può essere applicato ai tessuti biologici, aggiunge Markus Bühler. "C'è una malattia, un tipo di crescita o dei cambiamenti nel tessuto?". L'obiettivo era sviluppare un sistema in grado di rispondere a questo tipo di domande in modo completamente non invasivo.

Rintracciare la vita interna dei materiali con un sistema di deep learning

"Per raggiungere questo obiettivo, abbiamo dovuto affrontare questioni complesse, tra cui il fatto che per molti di questi problemi esistono soluzioni multiple", spiega Bühler. Ad esempio, molte configurazioni interne diverse possono avere le stesse proprietà superficiali. Per gestire questa ambiguità, "abbiamo sviluppato metodi che ci mostrano tutte le possibilità, in pratica tutte le opzioni che potrebbero portare a questo particolare scenario [di superficie]".

La tecnica sviluppata prevedeva l'addestramento di un modello di intelligenza artificiale utilizzando grandi quantità di dati sulle misure della superficie e sulle proprietà interne associate. Questo includeva non solo materiali uniformi, ma anche quelli contenenti materiali diversi in combinazione. "Alcuni nuovi aerei sono realizzati in materiali compositi, quindi sono intenzionalmente composti da fasi diverse", spiega Bühler. "E naturalmente anche in biologia, qualsiasi tipo di materiale biologico è costituito da diversi componenti che hanno proprietà molto diverse, come le ossa, dove ci sono proteine molto morbide e minerali molto rigidi".

Metodo ampiamente applicabile

La tecnica funziona anche con materiali la cui complessità non è ancora del tutto compresa, afferma Markus Bühler. "Con i tessuti biologici complessi, non capiamo esattamente come si comportano, ma possiamo misurarne il comportamento. Non abbiamo una teoria, ma quando abbiamo raccolto abbastanza dati, possiamo addestrare il modello".

Zhenze Yang afferma che il metodo sviluppato è ampiamente applicabile. "Non è solo limitato ai problemi della meccanica solida, ma può essere applicato anche in altre discipline tecniche, come la fluidodinamica e altri campi". Buehler aggiunge che può essere utilizzato per determinare un'ampia gamma di proprietà, non solo le sollecitazioni e le deformazioni, ma anche i fluidi o i campi magnetici, ad esempio i campi magnetici in un reattore a fusione. È "molto universale, non solo per i diversi materiali, ma anche per le diverse discipline".

Yang racconta di aver pensato per la prima volta a questo approccio mentre esaminava i dati di un materiale in cui parte delle immagini che stava usando erano sfocate, e si è chiesto come fosse possibile "riempire" i dati mancanti nell'area sfocata. "Come possiamo recuperare le informazioni mancanti?", si è chiesto. Continuando a leggere, si rese conto che si trattava di un esempio di un problema comune noto come problema inverso, in cui si cerca di recuperare le informazioni mancanti.

Come è stato sviluppato il sistema di apprendimento profondo per le proprietà dei materiali

Lo sviluppo del metodo è stato un processo iterativo in cui il modello ha fatto previsioni preliminari, le ha confrontate con i dati reali del materiale in questione e poi ha ulteriormente perfezionato il modello per tenere conto di queste informazioni. Il modello risultante è stato testato su casi in cui i materiali erano sufficientemente noti per calcolare le proprietà interne effettive, e le previsioni del nuovo metodo corrispondevano bene alle proprietà calcolate.

I dati di addestramento comprendevano immagini delle superfici, ma anche varie altre misurazioni delle proprietà superficiali, tra cui le sollecitazioni e i campi elettrici e magnetici. In molti casi, i ricercatori hanno utilizzato dati simulati basati sulla comprensione della struttura sottostante di un particolare materiale. Anche se un nuovo materiale ha molte proprietà sconosciute, il metodo può produrre un'approssimazione abbastanza buona da fornire agli ingegneri una direzione generale per ulteriori misurazioni.

I due ricercatori ipotizzano che questo metodo, disponibile tramite il sito web GitHub è liberamente accessibile a tutti, inizialmente sarà applicato principalmente in ambienti di laboratorio, ad esempio per testare i materiali per applicazioni di robotica morbida.

Fonte: Techexplore.com