Система за дълбоко обучение изследва вътрешността на материалите спрямо външните им фактори

Нов метод може да предостави подробна информация за вътрешната структура на материалите, базиран единствено на данни за външните условия.

Не можем да различим състоянието на книга само от корицата й, но според изследователи от Масачузетския технологичен институт вече може да се направи еквивалент за материали от всякакъв вид, от част на самолет до медицински имплант. Техният нов подход позволява на инженерите да разберат какво се случва вътре, просто като наблюдават свойствата на повърхността на материала.

Екипът използва тип Машинно обучение (Machine Learning), известно като Дълбоко обучение (Deep Learning), за да сравни голям набор от симулирани данни за външните силови полета на материалите и съответната вътрешна структура и ги използва, за да генерира система, която може да направи надеждни прогнози за вътрешността от повърхността.

Резултатите са публикувани в доклад на докторанта Жензе Янг и професора по гражданско и екологично инженерство Маркъс Бюлер.

„Това е много често срещан проблем в инженерството“,

обяснява Бюлер.

„Ако имате парче материал – може би от врата на кола или парче самолет – и искате да знаете какво има вътре в този материал, може да измерите напрежението на повърхността, като направите изображения и изчислите колко деформация имат. Но не можете наистина да погледнете вътре в материала. Единственият начин да направите това е като го отрежете и след това погледнете вътре и видите дали има някаква повреда вътре.

Възможно е също да се използват рентгенови лъчи и други техники, но те обикновено са скъпи и изискват обемисто оборудване.“

казва той.

„И така, това, което направихме, е основно да зададем въпроса: Можем ли да разработим алгоритъм за изкуствен интелект, който да може да разглежда какво се случва на повърхността, което можем лесно да видим или с помощта на микроскоп, или като направим снимка, или може би просто измерваме повърхността на материала и след това се опитваме да разберем какво всъщност се случва вътре?“ Тази вътрешна информация може да включва всякакви повреди, пукнатини или напрежения в материала или подробности за неговата вътрешна микроструктура.“

Същият вид въпроси могат да се отнасят и за биологичните тъкани, добавя той.

„Има ли заболяване там или някакъв вид растеж или промени в тъканта?“ Целта беше да се разработи система, която може да отговори на тези въпроси по напълно неинвазивен начин.“

„Постигането на тази цел включва справяне с усложненията, включително факта, че „много такива проблеми имат множество решения“

казва Бюлер.

„Например много различни вътрешни конфигурации могат да показват едни и същи повърхностни свойства. За да се справим с тази неяснота, ние създадохме методи, които могат да ни дадат всички възможности, всички опции, по същество, които могат да доведат до този конкретен сценарий.“

Техниката, която те разработиха, включваше обучение на AI модел, използващ огромно количество данни за повърхностни измервания и свързаните с тях вътрешни свойства. Това включва не само еднакви материали, но и такива с различни в комбинация.

„Дори в биологията всеки вид биологичен материал е направен от множество компоненти и те имат много различни свойства, като в костите, където има много мек протеин и след това много твърди минерални вещества.“

казва Бюлер.

Техниката работи дори за материали, чиято сложност не е напълно разбрана, казва той.

„Със сложната биологична тъкан не разбираме точно как се държи, но можем да измерим поведението. Нямаме теория за това, но ако имаме достатъчно събрани данни, можем да обучим модела.“

Янг казва, че методът, който са разработили, е широко приложим.

„Не се ограничава само до проблеми с механиката на твърдо тяло, той може да се приложи и към различни инженерни дисциплини, като динамика на флуидите и други.“

Бюлер добавя, че може да се приложи за определяне на различни свойства, не само напрежение и деформация, но и флуидни или магнитни полета, като например магнитните полета вътре в термоядрения реактор.

Янг казва, че първоначално е започнал да мисли за този подход, когато е изучавал данни за материал, където част от изображенията, които е използвал, са били замъглени, и се е чудел как би било възможно да „попълни празното място“ на липсващите данни в замъглена зона.

„Как можем да възстановим тази липсваща информация?“

се зачудил той.

Продължавайки да чете, той открил, че това е пример за широко разпространен проблем, известен като обратния проблем, при опит за възстановяване на липсваща информация.

Разработването на метода включва итеративен процес, като моделът прави предварителни прогнози, сравнявайки ги с действителните данни за въпросния материал, след което допълнително прецизира модела, за да съответства на тази информация.

Полученият модел е тестван срещу случаи, когато материалите са достатъчно добре проучени, за да могат да се изчислят истинските вътрешни свойства, и прогнозите на новия метод съвпадат добре с тях.

Данните за обучението включват изображения на повърхностите, но също така и различни други видове измервания на свойствата на повърхността, включително напрежения и електрически и магнитни полета. В много случаи изследователите са използвали симулирани данни, базирани на разбиране на основната структура на даден материал. И дори когато нов материал има много неизвестни характеристики, методът все още може да генерира приближение, което е достатъчно добро, за да предостави насоки на инженерите с обща насока как да продължат по-нататъшни измервания.

Като пример за това как може да се приложи тази методология, Бюлер посочва, че днес самолетите често се проверяват чрез тестване на няколко представителни области със скъпи методи като рентгенови лъчи, тъй като би било непрактично да се тества целия самолет.

„Това е различен подход, при който имате много по-евтин начин за събиране на данни и правене на прогнози.“

казва Бюлер.

Първо, той очаква този метод, който се предоставя безплатно за всеки да използва чрез уебсайта GitHub, да се прилага най-вече в лабораторни условия, например при тестване на материали, използвани в роботиката.

За такива материали той казва:

„Можем да измерваме нещата на повърхността, но нямаме представа какво се случва много пъти вътре в материала, защото е направен от хидрогел или протеини или биоматериали за задвижващи механизми и няма теория за това. Така че това е област, в която изследователите биха могли да използват нашата техника, за да правят прогнози за това, което се случва вътре, и може би да проектират по-добри части.“

добавя той.