Uutiset

Koneoppimisen avulla voidaan ennustaa ja optimoida materiaalien muodonmuutosta

Julkaistu:
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

Henkilö takaa, tummassa takissa, jossa suuri kirjailtu kuva polvistuvasta hahmosta mustaa taustaa vasten
Tutkimus ja taide Julkaistu:

Maamme, kaikkien -näyttely tarkastelee henkilökohtaista ja kansallista identiteettiä

Helsingin Taidehallissa avautunut Suomalaisten taidesäätiöiden yhdistyksen 20-vuotisjuhlanäyttely kysyy: keiden tarinoista Suomi rakentuu? Näyttelyn on kuratoinut FT, dosentti Annamari Vänskä.
Neljä henkilöä istuu sohvalla olohuoneessa, pöydällä heidän edessään on palapelejä. Taustalla kaksi kehyksiä ja kasvi.
Opinnot Julkaistu:

TET-harjoittelija Dorotea Bjelicic: "Haluan isona kehittää jotain uutta ja omaperäistä"

Teknillisen fysiikan laitoksella TET-harjoittelijat pääsevät selvittämään millaista on työskennellä tutkijana laboratoriossa.
Vasemmalla: henkilö mustassa takissa ja helmikaulakorussa. Oikealla: molekyylirakenteen kuva avaruustaustalla.
Tutkimus ja taide Julkaistu:

Koneoppiminen purkaa avaruuden kemian arvoituksia

Tähtitieteilijät voivat havaita tähtipölyssä monimutkaisia kemiallisia “sormenjälkiä” – mutta monia niistä ei ole vielä tunnistettu. SpaceML-hanke yhdistelee koneoppimisen simulaatioita ja laskennallista kemiaa, jotta tutkijat voivat selvittää miten molekyylit muodostuvat ja kehittyvät avaruudessa.
Seitsemän ihmistä pitelee suuria shekkejä PORT_2026 Innovation Challenge -tapahtumassa. Shekit joukkueille NEXOS ja KOWI.
Mediatiedotteet Julkaistu:

PORT_2026 kokosi Aalto-yliopiston opiskelijat ratkaisemaan kulttuurin, median ja ilmaston haasteita

Lähes 60 Aalto-yliopiston opiskelijaa osallistui PORT_2026-innovaatiokilpailuun, jossa he kehittivät ja esittelivät ratkaisuja kulttuuriin, mediaan ja ilmastoon liittyviin haasteisiin.