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

  • Päivitetty:
  • Julkaistu:
Jaa
URL kopioitu

Lue lisää uutisia

Abstrakti lähikuva värikkäästä lasista, jossa on pyörteisiä kuvioita oranssin, sinisen ja violetin sävyissä.
Tutkimus ja taide, Yliopisto Julkaistu:

Aalto koordinoi tekoälyn tutkimuksen lippulaivaa ja on mukana neljässä muussa hankkeessa

Suomen tekoälyosaamisen keskus (FCAI-X) kehittää uusia tekoälymenetelmiä, ja muissa lippulaivoissa tutkitaan vetysiirtymää, älyä ja tietoverkkoja, globaaleja terveysuhkia sekä tunteita.
Ilmakuva tiiviistä kaupunkikorttelista, värikkäistä katoista, kaduista ja syksyisistä puista
Mediatiedotteet Julkaistu:

Helsingin asuntokannassa piilee suuri hiilivarasto – yli 90 prosenttia vanhimpienkin rakennusten kerrosalasta on yhä käytössä

Helsingin asuinrakennusten puurakenteisiin ja muihin puuosiin on varastoitunut arviolta 285 000 tonnia bioperäistä hiiltä, tuore tutkimus paljastaa. Rakennusten pitkä käyttöikä on pitänyt suuren osan hiilestä varastoituneena rakennettuun ympäristöön vuosikymmenten ajan.
Teksti ”DESIGN UNDER PRESSURE” sumennettujen ruskeiden ja beigejen pystyviivojen päällä
Yhteistyö, Tutkimus ja taide, Opinnot Julkaistu:

Aalto ARTS julkaisee kestävän tulevaisuuden verkkokurssin

Maksuton verkkokurssi kokoaa kansainvälisten kesäkoulujen opit kestävän tulevaisuuden rakentamiseen.
Cooler Planetin avajaiset
Mediatiedotteet Julkaistu:

Designs for a Cooler Planet avasi Aallossa tehtävää tutkimusta yli 15 000 vieraalle – vinkkaa ideasi seuraavaan näyttelyyn!

Vuoden 2026 näyttelyssä kävi yli 15 000 ihmistä, muun muassa yritysedustajia, päättäjiä ja lahjoittajia. Tapahtuma on yksi yliopistossa tehtävän työn tärkeimmistä näyteikkunoista.