Base Styles/Icons/Some/Linkedin/Default Created with Sketch. Base Styles/Icons/lock/open Created with Sketch.

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]

Lisää tästä aiheesta

Aalto University campus / Photo by Mika Huisman
Tiedotteet, Yliopisto Julkaistu:

Aalto-yliopiston akateemiset tulokset ja kampus kehittyivät suotuisasti vuonna 2018

Yliopiston hallitus hyväksyi vuoden 2018 toimintakertomuksen ja tilinpäätöksen 20.3.2019. Viime vuosi oli Aalto-yliopiston yhdeksäs toimintavuosi.
Water droplet on a surface
Tiedotteet Julkaistu:

Itsestään puhdistuvia seiniä ja jäätymättömiä lentokoneen siipiä – voimasensori auttaa uusien vettähylkivien materiaalien kehittämisessä

Tutkijoiden mukaan voimiin perustuvat mittaukset ovat kontaktikulmia parempi tapa tutkia superhydrofobisia pintoja.
Kylmälaboratorio on yksi maailman johtavista matalien lämpötilojen fysiikan, nanoelektroniikan ja kvanttiteknologian tutkimuskeskittymistä. Kuva: Roee Cohen.
Tiedotteet Julkaistu:

Kylmälaboratoriolle miljoonarahoitus – tutkimusinfrastruktuuri on nyt helpommin eurooppalaisten tutkijoiden saatavilla

Kylmälaboratoriossa kehitetään muun muassa kvanttisensoreita, joita tarvitaan nanoelektroniikan tutkimuksessa.
Twitter-konferenssi kokoaa yhteen aivokuvantamisen asiantuntijoita eri puolilta maailmaa. Kuva: Baran Aydogan.
Tiedotteet Julkaistu:

Twitter-konferenssi tavoittaa puoli miljoonaa neurotieteestä kiinnostunutta

Aalto-yliopiston tutkijat koordinoivat jo kolmatta Brain Twitter -konferenssia 14. maaliskuuta. Voit seurata kotisohvaltasi maailman johtavien tutkijoiden keskustelua uusimmista neurotieteen löydöksistä.