05/07/2021
Door Ad Spijkers
Max Planck-onderzoekers bouwden een diep neuraal netwerk voor voorspellen van mechanisch gedrag van materialen.
Het voorspellen van het mechanische gedrag van alle systemen die ons omringen, van voertuigen en ruimteschepen tot bruggen en wolkenkrabbers, is essentieel voor veiligheid en ontwerp. Al meer dan 300 jaar weten wetenschappers hoe ze de onderliggende fysica kunnen vertalen in wiskundige formules. Dankzij technologische vooruitgang is er een enorme verzameling numerieke hulpmiddelen en methoden ontwikkeld om de complexe vergelijkingen met een computer op te lossen en de juiste antwoorden op verschillende mechanische problemen te voorspellen.
Het direct oplossen van deze vergelijkingen kost echter tijd en wordt moeilijker naarmate het systeem complexer is. Als gevolg hiervan worden onderzoekers vaak gedwongen om benaderingen te gebruiken in plaats van rekening te houden met alle variabelen van het systeem. Nu is er een grote stap gezet naar nauwkeurigere en snellere voorspellingen van de mechanica van complexe materialen.
Neuraal netwerk
Wetenschappers van het Max Planck Institut für Eisenforschung (MPIE)in Düsseldorf en KI-specialist DeepMetis in Berlijn hebben diepe neurale netwerken gebruikt om lokale spanningen in complexe materialen te berekenen. Ze kunnen dat nu tot 8.300 keer sneller dan een standaard computersysteem (een zogenaamde solver) zou doen.
Het werk laat zien hoe machine learning deze berekeningen kan vervangen. In plaats van de vergelijkingen direct op te lossen, hebben de wetenschappers een neuraal netwerk ontwikkeld. Het kan natuurkunde leren en correcte antwoorden op complexe en niet-lineaire mechanische vragen voorspellen door naar een grote dataset te kijken.
Nadat het neurale netwerk is getraind met vooraf berekende correcte fysieke reacties, kan het oplossingen voorspellen voor problemen en configuraties die het tijdens de training nooit is tegengekomen. Net als een ervaren ingenieur die een neus ontwikkelt voor complexe mechanische problemen en binnen enkele seconden gefundeerde gissingen kan maken, leert het netwerk de onderliggende fysica en voorspelt oplossingen in microseconden.
Veel sneller
De voorspellingen van het netwerk zijn orden van grootte sneller dan traditionele oplossers, ondanks de complexiteit van het systeem. In tegenstelling tot conventionele oplossers, die een iteratieve (trial-and-error) benadering vereisen om niet-lineaire problemen op te lossen, is de getrainde machineoplosser niet iteratief.
De methode kan traditionele oplossers vervangen en het begrip van multischaal- en multifysische problemen verbeteren. De nieuwe solver heeft orden van grootte minder rekentijd nodig, wat nieuwe mogelijkheden opent voor innovatieve materiaalmodellen. De opname van de machine learning-technologie zal helpen om de modellen zinvoller en realistischer te maken, omdat het de optimalisatie van nog ingewikkelder systemen mogelijk maakt.
De onderzoekers zullen nu de flexibiliteit en reikwijdte van de machine learning aanpak uitbreiden om nog nauwkeurigere voorspellingen te doen. Ze zijn van plan ook andere belangrijke vergelijkingen te onderzoeken, die tijdrovend zouden zijn om met conventionele methoden op te lossen.
Foto: Max Planck Institut für Eisenforschung