Каждый раз, когда вы плавно едете из точки А в точку Б, вы наслаждаетесь не только удобством своего автомобиля, но и продуманной конструкцией, делающей его безопасным и надежным. Помимо комфорта и защитных свойств, существует менее известный, но важный аспект: тщательно оптимизированные механические характеристики микроструктурированных материалов. Эти материалы, неотъемлемые, но зачастую непризнанные, укрепляют ваш автомобиль, обеспечивая долговечность и прочность в каждой поездке.
К счастью, ученые Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) подумали об этом за вас. Команда исследователей вышла за рамки традиционных методов проб и ошибок и создала материалы с выдающимися характеристиками посредством компьютерного проектирования. Их новая система объединяет физические эксперименты, физическое моделирование и нейронные сети для устранения несоответствий, часто обнаруживаемых между теоретическими моделями и практическими результатами. Один из самых поразительных результатов: открытие микроструктурированных композитов, используемых во всем, от автомобилей до самолетов, которые намного прочнее и долговечнее, с оптимальным балансом жесткости и прочности.
«Проектирование и изготовление композитных материалов имеет основополагающее значение для инженерии. Мы надеемся, что последствия нашей работы выйдут далеко за пределы механики твердого тела. Наша методология представляет собой основу для вычислительного дизайна, который можно адаптировать к различным областям, таким как химия полимеров, гидродинамика, метеорология и даже робототехника», — говорит Бейчен Ли, аспирант Массачусетского технологического института в области электротехники и информатики, филиал CSAIL, и ведущий научный сотрудник проекта.
Документ о работе в открытом доступе был опубликован в Достижения науки ранее в этом месяце.
В динамичном мире материаловедения атомы и молекулы подобны крошечным архитекторам, постоянно сотрудничающим, чтобы построить будущее всего сущего. Тем не менее, каждый элемент должен найти своего идеального партнера, и в данном случае основное внимание уделялось поиску баланса между двумя важнейшими свойствами материалов: жесткостью и прочностью. Их метод включал в себя большое пространство проектирования двух типов основных материалов — одного твердого и хрупкого, другого мягкого и пластичного — для изучения различных пространственных расположений и обнаружения оптимальных микроструктур.
Ключевым нововведением в их подходе стало использование нейронных сетей в качестве суррогатных моделей для моделирования, что позволило сократить время и ресурсы, необходимые для проектирования материалов. «Этот эволюционный алгоритм, ускоренный нейронными сетями, направляет наши исследования, позволяя нам эффективно находить наиболее эффективные образцы», — говорит Ли.
Волшебные микроструктуры
Исследовательская группа начала свой процесс с создания фотополимеров, напечатанных на 3D-принтере, размером примерно со смартфон, но тоньше, и добавив к каждому небольшую выемку и треугольный разрез. После специальной обработки ультрафиолетовым светом образцы были оценены с использованием стандартной испытательной машины — Instron 5984 — для испытаний на растяжение с целью определения прочности и гибкости.
Одновременно в исследовании физические испытания сочетались со сложным моделированием. Используя высокопроизводительную вычислительную систему, команда смогла предсказать и уточнить характеристики материала еще до его создания. По их словам, самым большим достижением стала тонкая техника связывания различных материалов в микроскопическом масштабе — метод, включающий замысловатый узор из мельчайших капель, которые соединяют твердые и податливые вещества, обеспечивая правильный баланс между прочностью и гибкостью. Моделирование точно соответствовало результатам физических испытаний, подтверждая общую эффективность.
Завершающим элементом системы стал алгоритм «нейронно-сетевой ускоренной многоцелевой оптимизации» (NMO), предназначенный для навигации по сложному ландшафту проектирования микроструктур и выявления конфигураций, демонстрирующих почти оптимальные механические характеристики. Рабочий процесс работает как самокорректирующийся механизм, постоянно уточняя прогнозы, чтобы они ближе соответствовали реальности.
Однако путешествие не обошлось без проблем. Ли подчеркивает трудности с поддержанием единообразия в 3D-печати и интеграцией прогнозов нейронных сетей, моделирования и реальных экспериментов в эффективный конвейер.
Что касается следующих шагов, команда сосредоточена на том, чтобы сделать процесс более удобным и масштабируемым. Ли предвидит будущее, в котором лаборатории будут полностью автоматизированы, что сведет к минимуму человеческий контроль и увеличит эффективность. «Наша цель — увидеть все, от изготовления до испытаний и вычислений, автоматизированным в интегрированной лабораторной установке», — заключает Ли.
К Ли в статье присоединяются старший автор и профессор Массачусетского технологического института Войцех Матусик, а также доцент Университета науки и технологий Пхохана Тэ-Хюн О и филиал MIT CSAIL Болей Денг, бывший постдок, а теперь доцент Технологического института Джорджии; Ван Шоу, бывший постдок, а ныне доцент Университета Арканзаса; Юаньмин Ху MS ’18 PhD ’21; Юэ Ло MS ’20; и Лян Ши, аспирант Массачусетского технологического института в области электротехники и информатики. Исследования группы были частично поддержаны Баденским анилиновым и содовым заводом (BASF).