Uutiset

Koneoppimisen avulla voidaan ennustaa ja optimoida materiaalien muodonmuutosta

Tampereen teknillisen yliopiston ja Aalto-yliopiston tutkijat opettivat koneoppimisalgoritmeja ennustamaan, miten materiaalit venyvät. Tutkimus julkaistiin arvostetussa Nature Communications -lehdessä. Koneoppimisen soveltaminen avaa uusia uria fysiikassa. Mahdollisia sovelluksia löytyy myös uusien, optimaalisten materiaalien kehityksestä.
Machine Learning algorithm prediciting stress v strain

Monet arkipäiväiset makroskooppiset kappaleet venyvät ”tasaisesti”. Tällaista venymisprosessia on fysiikassa tapana kuvata sileällä voima-venymäkäyrällä, joka kertoo, kuinka paljon venyttävää voimaa tarvitaan tietyn venymän saavuttamiseksi. Viimeaikaiset kokeet ovat osoittaneet, että mikrometrien mittakaavassa tilanne on toinen: mikroskaalan kiteiden venymisprosessi koostuu tyypillisesti sarjasta diskreettejä venymäpurskeita, joilla on hyvin leveä kokojakauma. Koska purskeet ovat luonteeltaan satunnaisia, voivat näennäisesti samanlaiset mikroskaalan näytteet venyä hyvin eri tavoin. Niiden lujuusominaisuuksissa on siis suurta vaihtelua, mikä vaikeuttaa esimerkiksi materiaalien kehittämistä. Nyt Nature Communications -lehdessä julkaistussa Machine learning plastic deformation of crystals-artikkelissaan tutkijat ottavat koneoppimisen avuksi ennustaakseen yksittäisten näytteiden venymisprosessin ominaisuuksia.

"Koneoppimisalgoritmeilla onnistuttiin mittaamaan, kuinka ennustettava kiteisten aineiden venymisprosessi on. Tämä olisi ollut käytännössä mahdotonta perinteisin keinoin, mutta koneoppiminen mahdollisti uusien, mielenkiintoisten tulosten löytämisen", kertoo Associate Professor Lasse Laurson TTY:n fysiikan laboratoriosta.

Kiteisten aineiden palautumaton (plastinen) muodonmuutos syntyy, kun kiderakenteen viivamaiset hilavirheet eli dislokaatiot liikkuvat paikasta toiseen. Kiteisestä aineesta koostuvissa kappaleissa, kuten esimerkiksi monissa metalleissa tai jäässä, on lähes aina verkosto tällaisia dislokaatioita, kussakin kappaleessa omanlaisensa.

Tutkijat opettivat koneoppimisalgoritmeille yhteyden kappaleen dislokaatioista koostuvan mikrorakenteen ja näytteen voima-venymäkäyrän välillä. Tutkimuksessa selvisi muun muassa, että voima-venymäkäyrän ennustettavuus riippuu epämonotonisesti näytteen venymästä: Aluksi ennustettavuus huononee venymän kasvaessa, johtuen pitkälti venymäpurskeiden satunnaisesta luonteesta. Yllättäen ennustettavuus kuitenkin paranee venymän edelleen kasvaessa. Ennustettavuuteen liittyy myös kokoefekti: suurempien kiteiden deformaatioprosessin ennustaminen on helpompaa.

"Venymän kasvaessa purskeiden määrä vähenee ja näin ollen ennustettavuuskin paranee. Tämä on lupaavaa yksittäisten näytteiden myötörajojen ennustamisen kannalta, joka on erittäin keskeinen tavoite materiaalifysiikassa", sanoo Henri Salmenjoki, tohtorikoulutettava Aalto-yliopiston teknillisen fysiikan laitokselta. 

"Tutkimuksemme osoittaa, että koneoppimisen avulla voidaan ennustaa hyvinkin monimutkaisia ja epälineaarisia fysikaalisia prosesseja. Mahdollisia sovelluksia löytyy paitsi uusien, optimaalisten materiaalien kehityksestä, myös monien muiden monimutkaisten systeemien dynamiikan ennustamisesta", Laurson kertoo.

Nyt julkaistussa tutkimuksessa oli mukana myös professori Mikko Alava Aalto-yliopistosta. Tutkimukseen saatiin rahoitusta Suomen Akatemialta.

Tutustu tutkimukseen Nature Communications -julkaisussa.

Lisätiedot: 

Associate Professor (tenure track), akatemiatutkija Lasse Laurson, TTY:n fysiikan laboratorio, [email protected]
Tohtorikoulutettava Henri Salmenjoki, Aalto-yliopiston teknillisen fysiikan laitos, [email protected]

  • Julkaistu:
  • Päivitetty:
Jaa
URL kopioitu

Lue lisää uutisia

Havainnekuva rintasyöpäsoluista mikroskoopissa
Mediatiedotteet Julkaistu:

Rintasyöpäsolu leviää tekemällä kudosmateriaaliin käytäviä – uusi mittausmenetelmä paljasti hämmästyttävän tiedon solun käyttämistä voimista

Mittaukset osoittivat, että solu tuottaa voimasykäyksiä paljon lyhyemmissä sykleissä kuin aiemmin on ajateltu. Aalto-yliopiston ja Stanfordin yliopiston kehittämä mittausmenetelmä voi auttaa rintasyöpätutkimusta ja vauhdittaa lääkkeiden kehitystä.
Tuoleja ravintolatilassa, taustalla asiakaspalvelutilanne
Mediatiedotteet Julkaistu:

Uusi teknologia voi auttaa tekemään kestäviä ruokavalintoja

Lohkoketjusovellus antaa tietoa ruoan ympäristövaikutuksista ja paremman kokonaiskuvan eri valintojen merkityksestä.
A schematic showing two circular light waves coming from the left, passing through a square representing the modulator, and emerging as a single linear light beam.
Mediatiedotteet Julkaistu:

Valollakin on kätisyys – ja sen hallitseminen tehostaa optista teknologiaa

Uusi optinen modulaattori on miljoonaa kertaa nykyisiä vaihtoehtoja nopeampi. Se voi parantaa optisten teknologioiden suorituskykyä monissa sovelluksissa, viestinnästä tietotekniikkaan.
Lauri Parkkonen and the family cat, Roosa. Photo: Lauri Parkkonen, Aalto, University.
Mediatiedotteet Julkaistu:

Mitä koirien ja kissojen aivoissa tapahtuu? Uusi kuvantamismenetelmä selvittää lemmikkien mielen saloja

Aalto-yliopiston professori Lauri Parkkosen ryhmä on vuosia kehittänyt kvanttioptisia antureita aivomagneettikäyrän eli magnetoenkefalografian (MEG) mittaamiseen. Toisin kuin perinteisessä MEG-laitteessa, jossa hyvin kylmässä toimivat suprajohtavat anturit vaativat ympärilleen senttimetrejä paksun lämpöeristeen, nämä uudet huoneenlämpötilassa toimivat anturit voidaan tuoda suoraan pään pinnalle. Tämä mahdollistaa entistä tarkemmat aivomagneettikäyrien mittaukset. MEG-kuvantaminen on tutkittavalle kivutonta ja turvallista.