"Используя моделирование, мы не только смогли предсказать аномальный рост зерна, но и смогли предсказать его задолго до того, когда этот рост произойдет", - говорит Брайан Й. Чен, доцент кафедры компьютерных наук и инженерии в Колледже инженерии и прикладных наук имени П.С. Россина в Лихае и соавтор исследования. "В 86 процентах случаев, которые мы наблюдали, мы смогли предсказать в течение первых 20 процентов срока службы этого материала, станет ли конкретное зерно ненормальным или нет".

Когда металлы и керамика подвергаются постоянному нагреву - например, при температурах, создаваемых ракетными или самолетными двигателями, - они могут выйти из строя. Такие материалы состоят из кристаллов, или зерен, и когда они нагреваются, атомы могут перемещаться, заставляя кристаллы расти или сжиматься. Когда несколько зерен становятся аномально большими по сравнению со своими соседями, результирующее изменение может изменить свойства материала. Например, материал, который ранее обладал некоторой гибкостью, может стать хрупким.

"Разрабатывая материалы, мы хотели бы иметь возможность создавать их намеренно, чтобы избежать аномального роста зерен", - говорит Чен.

Более разумный способ определения стабильных материалов

Однако на сегодняшний день прогнозирование аномального роста зерна было проблемой поиска иголки в стоге сена. Существует бесчисленное множество комбинаций и концентраций, которые могут быть использованы для создания любого данного сплава. Затем каждый из этих металлов должен быть протестирован, что является дорогостоящим, отнимающим много времени и часто непрактичным. Компьютерное моделирование, разработанное командой Чена, помогает сузить возможности за счет быстрого устранения материалов, которые могут привести к аномальному росту зерен.

"Наши результаты важны, потому что, если вы хотите посмотреть на этот большой стог сена из разных материалов, вам не нужно слишком долго моделировать каждый из них, прежде чем вы узнаете, произойдет ли аномальный рост зерна", - говорит он. "Вы хотите имитировать как можно меньше времени, а затем двигаться дальше".

Проблема заключается в том, что аномальный рост зерен - редкое явление, и на ранних стадиях зерна, которые станут ненормальными, выглядят точно так же, как и другие.

Раскрытие скрытых закономерностей с помощью искусственного интеллекта

Чтобы решить эту проблему, команда разработала модель глубокого обучения, которая объединила два метода анализа того, как зерна эволюционируют с течением времени и взаимодействуют друг с другом: сеть долговременной кратковременной памяти (LSTM) моделировала, как будут оцениваться свойства - или особенности - материала, и сверточная сеть на основе графов (GCRN) установил взаимосвязи между данными, которые затем можно было бы использовать для прогнозирования.

Первоначально исследователи просто надеялись сделать успешные прогнозы. Они не ожидали, что смогут делать прогнозы так рано.

"Мы подумали, что данные могут быть слишком зашумленными", - говорит он. "Возможно, свойства, на которые мы смотрели, не очень много рассказали бы об отклонениях в отдаленном будущем, или, возможно, аномалия проявила бы себя только тогда, когда это должно было произойти, когда это могло бы быть очевидно даже человеческому глазу. Но мы были удивлены, что на самом деле смогли делать прогнозы так далеко вперед".

Решающее значение для этого раннего обнаружения имело использование их моделей для изучения характеристик зерна с течением времени до того, как произошла аномалия.

"Лучший способ подумать о том, что зерна становятся ненормальными, - это подумать о том, как они эволюционируют за время до того, как изменятся", - говорит он. "Таким образом, например, за 10 миллионов временных шагов до появления аномалии они обладают определенными свойствами, которые могут отличаться от тех, что были у них за 40 миллионов временных шагов".

Команда сопоставляла каждое моделирование с тем моментом времени, когда зерно становилось ненормальным, и работала в обратном направлении, изучая его изменяющиеся свойства. Выявив последовательные тенденции в этих свойствах, они смогли точно предсказать, какие зерна станут ненормальными.

"Если вы посмотрите на зерна с точки зрения того, сколько времени пройдет до их превращения, вы сможете увидеть общие тенденции, которые полезны для прогнозирования", - говорит он.

В этом проекте Чен и его команда провели моделирование реалистичных материалов. Следующий этап - применить этот подход к изображениям реальных материалов и посмотреть, могут ли они по-прежнему точно предсказывать будущее. Конечная цель, говорит Чен, состоит в том, чтобы определить материалы, которые обладают высокой стабильностью и могут сохранять свои физические свойства в широком диапазоне условий высокой температуры и высокого напряжения. Такие материалы могли бы позволить двигателям и их деталям дольше работать при более высоких температурах, прежде чем выйти из строя.

Команда также видит потенциал своего нового метода машинного обучения для прогнозирования других редких событий, как в области материаловедения, так и за его пределами, благодаря его способности выявлять предупреждающие знаки в сложных системах. Например, это потенциально могло бы помочь предсказать фазовые изменения в материалах, мутации, приводящие к появлению опасных патогенов, или внезапные изменения атмосферных условий.

"Эта работа открывает перед учеными-материаловедами новую захватывающую возможность "заглянуть в будущее", чтобы предсказать будущую эволюцию материальных структур способами, которые ранее были невозможны", - говорит Мартин Хармер, почетный профессор материаловедения и инженерии Alcoa Foundation в Лихае; директор Nano/Human Interface Президентская исследовательская инициатива; и соавтор статьи. "Это окажет большое влияние на разработку надежных материалов для оборонного, аэрокосмического и коммерческого применения".