Mark Messner az amerikai Argonne Nemzeti Laboratórium vezető gépészmérnöke egyike azoknak a szakembereknek, akik képesek megjósolni, hogy az anyagok hogyan viselkednek magas hőmérsékleten és nyomáson. A jelenlegi előrejelzési módszerek jól működnek, de időigényesek, és gyakran szuperszámítógépeket igényelnek, különösen akkor, ha már van egy sor konkrét anyagtulajdonság - például merevség, sűrűség vagy szilárdság -, és ki akarjuk deríteni, hogy milyen típusú szerkezetre lenne szüksége egy anyagnak ahhoz, hogy megfeleljen ezeknek a tulajdonságoknak.
"Általában rengeteg fizikai alapú szimulációt kell lefuttatni ahhoz, hogy megoldjunk egy ilyen problémát" - mondta Messner. Ezért rövidebb utat keresett, és rájött, hogy a neurális hálózatok - a mesterséges intelligencia (AI) egy olyan típusa, amely hatalmas adathalmazokban mintákat fedez fel -, pontosan meg tudják jósolni, mi történik egy anyaggal szélsőséges körülmények között. És ezt sokkal gyorsabban és egyszerűbben tudják megtenni, mint a hagyományos szimulációk.
Messner új módszere több mint 2000-szer gyorsabban találta meg egy anyag tulajdonságait, mint a hagyományos megközelítés - olvasható a Journal of Mechanical Design 2019. októberi cikkében. Messner felismerte, hogy a számítások nagy része egy közönséges, grafikus feldolgozóegységgel (GPU) ellátott laptopon is elvégezhető a legtöbb vállalkozás számára gyakran elérhetetlen szuperszámítógépek helyett.
Ez volt az első alkalom, hogy valaki úgynevezett konvolúciós neurális hálózatot használt egy anyag szerkezeti tulajdonságainak pontos felismerésére. (Az egyszerűbb felépítésű konvolúciós típus különbözik minden más neurális hálózattól, de ideális például a fényképeken lévő minták felismerésére.) Ez a kutatók egyik első lépése annak érdekében, hogy felgyorsítsák az anyagok tervezését és jellemzését a teljesen tiszta energiagazdaság felé való elmozdulásban.
A macskák szerepe az interneten
Messner a Lawrence Livermore Nemzeti Laboratóriumban kezdte tudományos karrierjét, ahol egy csapat arra törekedett, hogy 3D nyomtatóval mikronos, azaz a méter milliomodrészének megfelelő méretű struktúrákat állítson elő. Bár a kutatás élvonalhoz tartozott, de lassú volt. Ezért felmerült a kérdés, hogy a mesterséges intelligencia gyorsabban vezet-e el az eredményekhez?
Abban az időben a Szilícium-völgy technológiai óriásai már elkezdték használni a konvolúciós neurális hálózatokat az arcok és állatok felismerésére a képeken. Ez inspirálta Messnert.
"Az én ötletem az volt, hogy egy anyag szerkezete nem különbözik egy 3D-s képtől. Értelemszerűen ennek a neurális hálózatnak a 3D-s változata jó munkát fog végezni a szerkezet tulajdonságainak felismerésében. Ugyanúgy, ahogy egy neurális hálózat megtanulja, hogy egy kép egy macska vagy valami más" - mondta a kutató.
Elméletének teszteléséhez Messner négy lépést tett:
- Megtervezett és meghatározott egy téglákból (kvázi pixelekből) álló négyzetet;
- Véletlenszerű mintákat vett ebből a designból, és egy fizika alapú szimulációval 2 millió adatpontot hozott létre. Ezek a pontok összekapcsolták a designt a kívánt sűrűség és merevség tulajdonságaival;
- A 2 millió adatpontot betáplálta a konvolúciós neurális hálózatba. Ez megtanította a hálózatot a helyes eredmények keresésére;
- A genetikus algoritmust, egy másik típusú mesterséges intelligenciát, amelyet az eredmények optimalizálására terveztek, a betanított konvolúciós neurális hálózattal együtt használta, hogy megtalálja a kívánt tulajdonságoknak megfelelő átfogó szerkezetet.
Az eredmény azonnali volt. Az új AI-módszer 2760-szor gyorsabban találta meg a megfelelő szerkezetet, mint a hagyományos, fizikán alapuló modell (0,00075 másodperc a 0,207 másodperccel szemben).
Új eszközök fokozzák a nukleáris innovációt
Ez az absztrakt ötlet átalakíthatja azt, ahogyan a mérnökök anyagokat terveznek, különösen azokat, amelyeknek magas hőmérsékletnek, nagy nyomásnak és korróziós körülményeknek kell ellenállniuk.
Messner nemrégiben csatlakozott az Argonne, valamint a Idaho és Los Alamos Nemzeti Laboratóriumok mérnökeiből álló csapathoz, amely a Kairos Power nukleáris startup céggel működik együtt. A csapat mesterséges intelligencia alapú szimulációs eszközöket hoz létre, amelyek segítenek a Kairosnak egy olyan atomreaktor tervezésében, amely a jelenlegi megoldásoktól eltérően olvadt sót használna hűtőközegként. Ezekkel az eszközökkel a csapat azt fogja előrevetíteni, hogy egy bizonyos típusú, 316H nevű rozsdamentes acél hogyan fog viselkedni szélsőséges körülmények között évtizedeken keresztül.
"Ez a Kairos Power számára végzett munkánk egy kicsi, de létfontosságú része. A Kairos Power nagyon pontos modelleket szeretne arról, hogy a reaktor alkatrészei hogyan fognak viselkedni a reaktorban, hogy alátámassza a nukleáris szabályozó hatósághoz benyújtott engedélykérelmét. Alig várjuk, hogy rendelkezésre bocsássuk ezeket a modelleket" - mondta Rui Hu nukleáris mérnök, aki az Argonne munkáját irányítja a projektben.
Az ilyen típusú munka másik ígéretes útja a 3D nyomtatás. Mielőtt a 3D nyomtatás elterjedt volna, a mérnököknek nehézséget okozott, hogy ténylegesen olyan szerkezeteket építsenek, mint amilyeneket Messner talált a mesterséges intelligencia segítségével a 2019-es tanulmányában. Pedig egy szerkezet rétegről rétegre történő elkészítése 3D nyomtatóval nagyobb rugalmasságot tesz lehetővé, mint a hagyományos gyártási módszerek.
"A gépészet jövője a 3D nyomtatás és az új AI-alapú technikák kombinálásában rejlik. Odaadnánk egy neurális hálózat által meghatározott szerkezetet 3D nyomtatásra, és a berendezés kiprintelné a kívánt tulajdonságokkal. Még nem tartunk ott, de ez a remény" - mondta Messner.
