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:

Lue lisää uutisia

Esiintyjiä tapahtumassa
Mediatiedotteet Julkaistu:

Sustainability Science Days keräsi ennätysyleisön – ensi vuonna tapahtumassa puhkaistaan kestävyyskupla

Suomen suurin kestävän kehityksen tutkimuksen ja innovaatioiden tapahtuma keräsi yhteen yli 1500 asiantuntijaa yli sadasta eri maasta. Tapahtuma järjestettiin Aalto-yliopistolla ja Helsingin yliopistolla tänä vuonna yhteistyössä maailman suurimman kestävän kehityksen kongressin, SRI:n kanssa.
vaalea-asuinen nainen istuu ikkunan edessä ja hymyilee
Nimitykset, Yliopisto Julkaistu:

Professori Maarit Salolainen: ”Tekstiilialan kestävyysongelmiin voidaan vastata monialaisen yhteistyön avulla”

Tekstiilisuunnittelun professori haluaa tiivistää yhteistyötä niin eri alojen tutkimuksen kuin yliopiston ja alan teollisuuden sekä jälleenmyyjien välillä, jotta muutos parempaan tapahtuu.
Vili Lehdonvirta, kuva:Mikko Raskinen, Aalto-yliopisto
Mediatiedotteet Julkaistu:

Lepääkö valtionhallinto kellarista löytyvien palvelimien vai Amazonin päällä? Vili Lehdonvirta tarkastelee kehitystä ajan ja pilvien yli

Tietotekniikan laitoksen professori Vili Lehdonvirta on saanut Euroopan tutkimusneuvoston Advanced Grant -rahoituksen. Sen suuruus on 2,5 miljoonaa euroa, ja hanke kestää viisi vuotta. Tutkimuksessaan Lehdonvirta kehittää menetelmiä, joiden avulla voidaan piirtää kartalle pilvi-imperiumien laajuus ja sijainti.
Tiny plant with text aside Unite! Seed Fund 2024
Palkinnot ja tunnustukset, Yhteistyö Julkaistu:

Unite! Seed Fund 2024: Aalto mukana 13 rahoitusta saaneessa hakemuksessa

Unite! Seed Fund -rahaston tavoitteena on kannustaa ja tukea opettajien, tutkijoiden ja opiskelijoiden yhteistyöhankkeita.