MIT-ov AI sistem otkriva unutrašnju strukturu materijala iz površinskih posmatranja

Maybe you can’t tell a book from its cover, but according to researchers at MIT you may now be able to do the equivalent for materials of all sorts, from an airplane part to a medical implant. Their new approach allows engineers to figure out what’s going on inside simply by observing properties of the material’s surface.

The team used a type of machine learning known as deep learning to compare a large set of simulated data about materials’ external force fields and the corresponding internal structure, and used that to generate a system that could make reliable predictions of the interior from the surface data.

The results are being published in the journal Advanced Materials, in a paper by doctoral student Zhenze Yang and professor of civil and environmental engineering Markus Buehler.

“It’s a very common problem in engineering,” Buehler explains. “If you have a piece of material — maybe it’s a door on a car or a piece of an airplane — and you want to know what’s inside that material, you might measure the strains on the surface by taking images and computing how much deformation you have. But you can’t really look inside the material. The only way you can do that is by cutting it and then looking inside and seeing if there’s any kind of damage in there.”

One potential application of the new method is nondestructive testing; you no longer have to open a metal pipe, for instance, to detect defects. Credit: Courtesy of the researchers

It’s also possible to use X-rays and other techniques, but these tend to be expensive and require bulky equipment, he says. “So, what we have done is basically ask the question: Can we develop an AI algorithm that could look at what’s going on at the surface, which we can easily see either using a microscope or taking a photo, or maybe just measuring things on the surface of the material, and then trying to figure out what’s actually going on inside?” That inside information might include any damages, cracks, or stresses in the material, or details of its internal microstructure.

The same kind of questions can apply to biological tissues as well, he adds. “Is there disease in there, or some kind of growth or changes in the tissue?” The aim was to develop a system that could answer these kinds of questions in a completely noninvasive way.

Achieving that goal involved addressing complexities including the fact that “many such problems have multiple solutions,” Buehler says. For example, many different internal configurations might exhibit the same surface properties. To deal with that ambiguity, “we have created methods that can give us all the possibilities, all the options, basically, that might result in this particular [surface] scenario.”

Tehnika koju su razvili uključivala je obuku AI modela koristeći ogromne količine podataka o površinskim mjerenjima i unutrašnjim svojstvima povezanim s njima. Ovo nije uključivalo samo uniformne materijale već i one sa različitim materijalima u kombinaciji. “Neki novi avioni su napravljeni od kompozita, tako da imaju namjeran dizajn da imaju različite faze”, kaže Buehler. “I naravno, iu biologiji, bilo koja vrsta biološkog materijala će biti napravljena od više komponenti i one imaju vrlo različita svojstva, kao što je u kostima, gdje imate vrlo mekani protein, a zatim imate vrlo krute mineralne tvari.”

Tehnika radi čak i za materijale čija složenost nije u potpunosti shvaćena, kaže on. “Sa složenim biološkim tkivom, ne razumijemo tačno kako se ponaša, ali možemo izmjeriti ponašanje. Nemamo teoriju za to, ali ako imamo dovoljno prikupljenih podataka, možemo trenirati model.”

Yang kaže da je metoda koju su razvili široko primjenjiva. “Nije ograničen samo na probleme mehanike čvrstog materijala, već se može primijeniti i na različite inženjerske discipline, poput dinamike fluida i drugih vrsta.” Buehler dodaje da se može primijeniti na određivanje različitih svojstava, ne samo naprezanja i deformacija, već i fluidnih ili magnetnih polja, na primjer magnetnih polja unutar fuzijskog reaktora. “Vrlo je univerzalan, ne samo za različite materijale, već i za različite discipline.”

Yang kaže da je u početku počeo razmišljati o ovom pristupu kada je proučavao podatke o materijalu gdje je dio slika koje je koristio bio zamagljen, te se pitao kako je moguće “popuniti prazninu” podataka koji nedostaju u zamagljeno područje. “Kako možemo povratiti ove informacije koje nedostaju?” pitao se on. Čitajući dalje, otkrio je da je ovo primjer široko rasprostranjenog problema, poznatog kao inverzni problem, pokušaja povratka informacija koje nedostaju.

Razvijanje metode uključivalo je iterativni proces, pri čemu je model napravio preliminarna predviđanja, upoređujući to sa stvarnim podacima o materijalu o kojem je riječ, a zatim dalje fino podešavanje modela kako bi odgovarao tim informacijama. Rezultirajući model je testiran u slučajevima u kojima su materijali dovoljno dobro shvaćeni da bi mogli izračunati stvarna unutrašnja svojstva, a predviđanja nove metode su se dobro poklapala sa tim izračunatim svojstvima.

Podaci o obuci uključivali su slike površina, ali i razne druge vrste mjerenja površinskih svojstava, uključujući napone, te električna i magnetska polja. U mnogim slučajevima istraživači su koristili simulirane podatke zasnovane na razumijevanju osnovne strukture datog materijala. Čak i kada novi materijal ima mnogo nepoznatih karakteristika, metoda i dalje može generirati aproksimaciju koja je dovoljno dobra da pruži smjernice inženjerima s općim smjerom kako da nastave s daljim mjerenjima.

Kao primjer kako bi se ova metodologija mogla primijeniti, Buehler ističe da se danas avioni često pregledavaju testiranjem nekoliko reprezentativnih područja skupim metodama poput rendgenskih zraka jer bi bilo nepraktično testirati cijeli avion. “Ovo je drugačiji pristup, gdje imate mnogo jeftiniji način prikupljanja podataka i predviđanja”, kaže Buehler. „Na osnovu toga onda možete donositi odluke o tome gdje želite tražiti, a možda i koristiti skuplju opremu za testiranje.“

Za početak, očekuje da će se ova metoda, koja je svima dostupna za korištenje putem web stranice GitHub, uglavnom primjenjivati ​​u laboratorijskim postavkama, na primjer u testiranju materijala koji se koriste za aplikacije meke robotike.

Za takve materijale, kaže on, „možemo mjeriti stvari na površini, ali nemamo pojma šta se dešava mnogo puta unutar materijala, jer je napravljen od hidrogela ili proteina ili biomaterijala za aktuatore, i nema teorije za to. Dakle, to je oblast u kojoj bi istraživači mogli da koriste našu tehniku ​​da predvide šta se dešava unutra, i možda da dizajniraju bolje hvataljke ili bolje kompozite,” dodaje on.

Referenca: „Popunite prazninu: prenosivi pristupi dubokom učenju za vraćanje nedostajućih informacija o fizičkom polju“ od Zhenze Yang i Markusa J. Buehlera, 19. marta 2023., Napredni materijali.
DOI: 10.1002/adma.202301449

Istraživanje su podržali Ured za istraživanje američke vojske, Ured za naučna istraživanja Ratnog zrakoplovstva, GoogleCloud platforma i MIT Quest for Intelligence.