Koneoppimisen avulla voidaan ennustaa ja optimoida materiaalien muodonmuutosta

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, lasse.laurson@tut.fi, 
Tohtorikoulutettava Henri Salmenjoki, Aalto-yliopiston teknillisen fysiikan laitos, henri.salmenjoki@aalto.fi