Машинное обучение предскажет прочность стали на микроуровне
При изучении свойств малого фрагмента такого материала невозможно проводить все мыслимые эксперименты, для разных температур, давлений, угла приложения нагрузки. Часто физики полагаются на модели, но такая модель будет содержать слишком много «подгоночных параметров». Поэтому использовалось машинное обучение — оно устраняет необходимость в подробном моделировании всей физики процесса. Для изучения микроструктуры металла при различных нагрузках метод был применен впервые. Исследовалась тенденция твердого материала к деформации под постоянной нагрузкой. Исследование опубликовано в Experimental Mechanics.
Результаты удивили — оказалось, что ответ нейросети совпадает с реальностью в 80% случаев — и для этого достаточно одного параметра, угла приложения нагрузки. Выходит, что множество других параметров, в которых лежит вся «физика», определяют всего 20% результата. Это означает, что есть и другие факторы, которые влияют на происходящее и отказываться от них нельзя. Просто угол — определяющий фактор в первом приближении.
«Модель машинного обучения, которая у нас есть, работает только вблизи межзёренных границ, но не предсказывает внутренние процессы», — сказали авторы. «Для процессов внутри кристаллов нужен другой набор входных данных. Они уже есть, снятые экспериментально, но нужна новая модель — она заполнит модели».
В конечном счете, исследователи стремятся разработать алгоритм, которому можно передать изображение микроструктуры и получить на выходе потенциально опасные места, где материал выйдет из строя. Но вместо одной большой нейронной сети, в процессе будет несколько последовательных моделей, которые будут учитывать физику процесса.
На первый взгляд, лист стали представляет собой гладкую, однородную поверхность. Но при 400-кратном увеличении откроется его истинная структура — кристаллы различной формы, соединенные под совершенно разными углами.