Estás leyendo la publicación: Investigadores de IA de los Países Bajos proponen un método basado en el aprendizaje automático para diseñar nuevos metamateriales complejos con propiedades útiles
Los problemas combinatorios a menudo surgen en rompecabezas, origami y diseño de metamateriales. Dichos problemas tienen colecciones raras de soluciones que generan límites intrincados y distintos en el espacio de configuración. Usando técnicas estadísticas y numéricas estándar, capturar estos límites suele ser bastante desafiante. ¿Es posible aplanar una pieza de origami 3D sin dañarla? Esta pregunta es uno de esos problemas combinatorios. Como cada pliegue debe ser consistente con el aplanamiento, tales resultados son difíciles de predecir con solo mirar el diseño. Para responder a estas preguntas, el Instituto de Física de la UvA y el centro de investigación AMOLF han demostrado que los investigadores pueden responder de manera más efectiva y precisa a tales consultas mediante el uso de técnicas de aprendizaje automático.
A pesar de emplear conjuntos de entrenamiento severamente submuestreados, las redes neuronales convolucionales (CNN) pueden aprender a distinguir estos límites para los metamateriales en detalle. Esto plantea la posibilidad de un diseño de material complejo al indicar que la red infiere las reglas combinatorias subyacentes del conjunto de entrenamiento escaso. El equipo de investigación cree que esto facilitará el desarrollo de metamateriales funcionales y sofisticados con inteligencia artificial. El estudio reciente del equipo examinó la precisión de pronosticar las características de estos metamateriales mecánicos combinatorios utilizando inteligencia artificial. Su trabajo también ha sido publicado en la publicación Physical Review Letters.
Los atributos de los materiales artificiales, que son materiales de ingeniería, se rigen por su estructura geométrica más que por su composición química. El origami es uno de esos metamateriales. La capacidad de aplanamiento de una pieza de origami se rige por cómo se pliega, es decir, por su estructura, y no por el tipo de papel del que está hecha. En términos más generales, el diseño inteligente nos permite regular con precisión la flexión, el pandeo o el abultamiento de un metamaterial. Esto se puede usar para muchas cosas diferentes, desde paneles solares satelitales que se despliegan hasta amortiguadores.
Un metamaterial combinatorio normalmente consta de dos o más orientaciones diferentes de piezas de construcción. Estos bloques de construcción se deforman de manera diferente en respuesta a una fuerza mecánica externa. El material normalmente no cederá bajo presión si estas piezas de construcción se mezclan al azar porque no todas podrán deformarse como desean. Un bloque de construcción vecino debería poder apretarse hacia adentro donde uno quiere sobresalir hacia afuera. Todos los componentes de construcción distorsionados deben encajar como un rompecabezas para que el metamaterial se doble rápidamente. Un metamaterial ‘flojo’ puede volverse rígido modificando un solo bloque, al igual que alterar un solo pliegue puede hacer que una pieza de origami no se aplane.
Aunque los metamateriales tienen una amplia gama de usos potenciales, crear uno nuevo es difícil debido a su comportamiento impredecible. Por lo general, se trata de prueba y error para determinar las propiedades generales del metamaterial de diferentes estructuras a partir de un conjunto específico de bloques de construcción. Los desarrollos tecnológicos recientes hacen innecesario que los investigadores realicen todo este trabajo a mano. Sin embargo, los métodos estadísticos y numéricos típicos son lentos y propensos a errores debido a que las propiedades de los metamateriales combinatorios son muy sensibles a los cambios en los componentes básicos individuales. Aquí es donde entra en juego el aprendizaje automático. Las CNN pueden predecir con precisión las propiedades del metamaterial de cualquier configuración de bloques de construcción hasta el más mínimo detalle, incluso con solo un conjunto mínimo de ejemplos para aprender.
Los resultados de CNN fueron asombrosos y superaron con creces las expectativas. La precisión de las predicciones mostró que las redes neuronales realmente habían dominado los principios matemáticos fundamentales que rigen el comportamiento de los metamateriales, que aún deben comprender mejor los propios investigadores. Estos resultados indican que se pueden crear metamateriales complicados con propiedades relevantes utilizando IA. En términos más generales, las aplicaciones de redes neuronales pueden ayudar a los investigadores a resolver problemas combinatorios en varios contextos y plantear varias preocupaciones intrigantes. Los resultados también pueden ayudar a comprender las redes neuronales al mostrar cómo la complejidad de una red neuronal se correlaciona con la complejidad de los problemas que puede manejar.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘Aprendizaje automático de reglas combinatorias implícitas en metamateriales mecánicos‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
