Yapay Zekâ Malzeme Keşfi için Yeni Kapılar Açabilir mi?

Fotoğraf 1.  Argonne Ulusal Laboratuvarı’nda görevli mühendis, sosyal ağların fotoğraflardaki insanları tanımlamak için kullandığı yapay zekayı uygulayarak, tercih edilen özellikleri göz önüne alındığında bir malzemenin yapısını tahmin etmenin yeni bir yolunu keşfetti. Keşif, zamandan ve paradan tasarruf etmeye yardımcı olabilir ve işletmelerin bir zamanlar süper bilgisayarlar için ayrılmış teknikleri kullanmalarına izin verebilir.

Temiz enerjinin geleceği sıcak. Güneş enerjisi santrallerinin ve gelişmiş nükleer reaktörlerin bazı bölümlerinde sıcaklıklar 800 ℃’ye ulaştı. Bu tür sıcaklıklara dayanabilecek malzemeleri bulmak zordur.

ABD Enerji Bakanlığı’nın (DOE) Argonne Ulusal Laboratuvarı’nda baş makine mühendisi olan Mark Messner, malzemelerin yüksek sıcaklıklar ve basınçlar altında nasıl davranacağını tahmin etmenin daha iyi yollarını keşfeden bir grup mühendis arasında. Mevcut tahmin yöntemleri iyi çalışıyor, ancak genellikle süper bilgisayarlar gerektiği için zaman alıyor. Özellikle bir dizi belirli malzeme özelliğine sahipseniz, örn. sertlik, yoğunluk veya mukavemet ve bir malzemenin bu özelliklere uyması için ne tür bir yapıya ihtiyaç duyacağını öğrenmek isteniliyorsa.

Messner, “Bu sorunu çözmek için genellikle tonlarca fizik tabanlı simülasyon çalıştırmanız gerekir” dedi. Bir kısayol ararken, devasa veri kümelerindeki kalıpları ortaya çıkaran bir tür yapay zeka (AI) olan sinir ağlarının, şiddetli koşullarda bir malzemeye ne olduğunu doğru bir şekilde tahmin edebildiğini buldu. Ve bu sinir ağları standart simülasyonların yapabileceğinden çok daha hızlı ve daha kolay yapabilir.

Messner’ın yeni yöntemi, Ekim 2019 Journal of Mechanical Design makalesinde bildirildiği gibi, bir malzemenin özelliklerini standart yaklaşımdan 2.000 kat daha hızlı buldu. Messner, hesaplamaların çoğunun, çoğu işletmenin erişemeyeceği bir süper bilgisayar yerine, grafik işlem birimine (GPU) sahip normal bir dizüstü bilgisayarda çalışabileceğini fark etti.

Bu, herhangi birinin bir malzemenin yapısal özelliklerini doğru bir şekilde tanımak için, ilk kez, fotoğraflardaki kalıpları tanımak için ideal olan farklı, daha basit bir yapıya sahip bir tür sinir ağı olan sözde bir evrişimli sinir ağı kullanışıydı. Ayrıca, araştırmacıların tamamen temiz bir enerji ekonomisine doğru ilerlemeye yardımcı olabilecek malzemeleri tasarlama ve karakterize etme sürecini hızlandırmanın ilk adımlarından biridir.

Messner, bir ekibin bir mikron ölçeğinde veya bir metrenin milyonda biri ölçeğinde bir 3D yazıcıda yapılar üretmeye çalıştığı DOE’nin Lawrence Livermore Ulusal Laboratuvarı’nda doktora sonrası araştırmacı olarak malzeme tasarlamaya başladı. Son teknoloji olmasına rağmen, araştırma yavaştı. Önceden Silikon Vadisi’ndeki teknoloji devleri, görüntülerdeki yüzleri ve hayvanları tanımak için evrişimli sinir ağlarını kullanmaya başlamıştı. Bu Messner’a ilham verdi .Bir malzemenin yapısının bir 3D görüntüden farklı olmadığını ve bu sinir ağının 3D versiyonunun, yapının özelliklerini tanımak için iyi bir iş çıkarması mantıklı olduğunu düşündü.

Video.  Messner teorisini test etmek için dört adım attı. Tuğla benzeri piksellerle tanımlanmış bir kare tasarladı. Bu tasarımın rastgele örneklerini aldı ve 2 milyon veri noktası oluşturmak için fizik tabanlı bir simülasyon kullandı. Bu noktalar, tasarımını istenen yoğunluk ve sertlik özelliklerine bağladı. İki milyon veri noktasını evrişimsel sinir ağına besledi. Bu, ağı doğru sonuçları araması için eğitti; Sonuçları optimize etmek için tasarlanmış başka bir yapay zeka türü olan genetik algoritmayı, istediği özelliklere uyan genel bir yapı bulmak için eğitilmiş evrişimli sinir ağıyla birlikte kullandı. Sonuç olarak yeni yapay zeka yöntemi, doğru yapıyı standart fizik tabanlı modelden 2.760 kat daha hızlı buldu (sırasıyla 0,00075 saniye ve 0,207 saniye).

Yeni araçlar nükleer inovasyonu artırıyor

Bu soyut fikir, mühendislerin malzemeleri, özellikle de yüksek sıcaklık, basınç ve korozyona sahip koşullara dayanacak malzemeleri tasarlama şeklini değiştirebilir.

Messner kısa süre önce, nükleer bir girişim olan Kairos Power ile ortak olan Argonne ve DOE’nin Idaho ve Los Alamos Ulusal Laboratuvarlarından bir mühendis ekibine katıldı. Ekip, Kairos’un mevcut reaktörlerden farklı olarak soğutucu olarak erimiş tuzu kullanacak bir erimiş tuz nükleer reaktörü tasarlamasına yardımcı olacak AI tabanlı simülasyon araçları oluşturuyor. Ekip, bu araçlarla, 316H olarak adlandırılan belirli bir paslanmaz çeliğin onlarca yıl boyunca aşırı koşullar altında nasıl davranacağını projelendirecek.

Argonne’nin projedeki rolünü yöneten nükleer mühendis Rui Hu, “Bu, Kairos Power için yaptığımız işin küçük ama hayati bir parçası” dedi. “Kairos Power, Nükleer Düzenleme Komisyonuna lisans başvurusunu desteklemek için reaktör bileşenlerinin reaktörün içinde nasıl davranacağına dair çok doğru modeller istiyor. “dedi.

Bu tür işler için umut vadeden bir başka yol da 3D baskıdır. 3D baskı yakalanmadan önce mühendisler, Messner’ın 2019 makalesinde AI kullanarak bulduğu gibi yapılar inşa etmek için çok çalıştılar. Yine de bir 3D yazıcıyla katman katman yapı oluşturmak, geleneksel üretim yöntemlerinden daha fazla esneklik sağlar. Messner, makine mühendisliğinin geleceğinin 3D baskıyı yeni AI tabanlı tekniklerle birleştirmede olabileceğini söyledi. “Bir sinir ağı tarafından belirlenen yapıyı 3D yazıcısı olan birine verirsiniz ve istediğiniz özelliklerle yazdırırsınız” dedi.

Kaynak.phys.org