01.07.2021 – Kategorie: Fertigung & Prototyping

Neuronales Netz macht komplexe Materialien besser berechenbar

Neuronales Netz: Wie verhalten sich komplexe Materialien?Quelle: J. R. Mianroodi, N. H. Siboni (Max-Planck-Institut für Eisenforschung GmbH) and mikemacmarketing (www.vpnsrus.com)

Wissenschaftler haben ein tiefes neuronales Netz eingesetzt, um lokale Spannungen in komplexen Materialien genauer und schneller zu berechnen.

  • Die Vorhersage des mechanischen Verhaltens ist essentiell für Sicherheit und Design.
  • Eine riesige Sammlung von numerischen Werkzeugen und Methoden entwickelt, um die komplexen Gleichungen rechnerisch zu lösen und korrekte Antworten bei verschiedenen mechanischen Problemen vorherzusagen.
  • Das direkte Lösen dieser Gleichungen verbraucht jedoch Zeit und wird umso schwieriger, je komplexer das System ist. Das zwingt die Forscher dazu, Näherungen zu verwenden, anstatt alle Variablen des Systems zu berücksichtigen.
  • Jetzt ebnet ein neuronales Netz den Weg in Richtung genauer und schneller Vorhersagen der Mechanik komplexer Materialien.

Wissenschaftler des Max-Planck-Instituts für Eisenforschung (MPIE) und DeepMetis, einem auf künstliche Intelligenz spezialisierten Unternehmen in Berlin, haben ein tiefes neuronales Netz eingesetzt, um lokale Spannungen in komplexen Materialien zu berechnen — und das bis zu 8’300 Mal schneller als ein Standard-Solver es tun würde. Ihre neuesten Ergebnisse veröffentlichten sie in der Zeitschrift npj Computational Materials.

„Unsere neueste Arbeit zeigt, wie all diese Berechnungen durch maschinelles Lernen ersetzt werden können. Anstatt die Gleichungen direkt zu lösen, haben wir ein neuronales Netzwerk entwickelt, das die Physik erlernen und korrekte Antworten auf komplexe und nichtlineare Mechanikfragen vorhersagen kann, indem es sich einfach einen großen Datensatz ansieht“, erklärt Dr. Jaber Rezaei Mianroodi, Leiter der MPIE-Gruppe „Computational Sustainable Metallurgy“ und Erstautor der Veröffentlichung. Nachdem das neuronale Netz mit vorberechneten korrekten physikalischen Reaktionen trainiert wurde, kann es Lösungen für Probleme und Konfigurationen vorherzusagen, denen es während des Trainings nie begegnet ist. Ähnlich wie ein erfahrener Ingenieur, der ein Gespür für komplexe mechanische Probleme entwickelt und in Sekunden fundierte Vermutungen anstellt, scheint das Netzwerk die zugrunde liegende Physik zu lernen und Lösungen in Mikrosekunden vorherzusagen.

Neuronales Netz deutlich schneller als herkömmliche Solver

Die Vorhersagen des Netzwerks sind trotz der Nichtlinearität oder Komplexität des Systems um Größenordnungen schneller als herkömmliche Solver. Im Gegensatz zu konventionellen Solvern, die einen iterativen (Versuch und Irrtum) Ansatz zur Lösung nichtlinearer Probleme erfordern, ist der trainierte maschinelle Lern-Solver nicht iterativ.

„Diese Methode kann die konventionellen Solver ersetzen und verbessert unser Verständnis von Multiskalen- und Multiphysik-Problemen. Unser Solver braucht um Größenordnungen weniger Rechenzeit, was neue Möglichkeiten für fortschrittliche Materialmodelle eröffnet. Die Einbeziehung unserer maschinellen Lerntechnik wird uns dabei helfen, die Modelle prädiktiver und realistischer zu machen, da sie die Optimierung noch komplexerer Systeme ermöglicht“, sagt Dr. Nima Siboni, Experte für künstliche Intelligenz bei DeepMetis und Alumni des MPIE. Die Forscher werden nun die Flexibilität und den Umfang des maschinellen Lernansatzes erweitern, um noch genauere Vorhersagen zu treffen. Außerdem planen sie, weitere wichtige Gleichungen zu untersuchen, die mit herkömmlichen Methoden nur mit großem Aufwand zu lösen sind.

Anhand vieler vorberechneter korrekter Antworten wird die Maschine die versteckten Beziehungen zwischen der Simulationseingabe und -ausgabe lernen. Einmal trainiert, kann sie korrekte Lösungen in ungesehenen Simulationskonfigurationen vorhersagen, und das in einem Bruchteil der Zeit, die für konventionelle Berechnungen benötigt wird. Das ist genau das, was der neue Solver des MPIE macht.

Bildquelle: J. R. Mianroodi, N. H. Siboni (Max-Planck-Institut für Eisenforschung GmbH) und mikemacmarketing (www.vpnsrus.com)

Originalveröffentlichung:
J. R. Mianroodi, N. H. Siboni, D. Raabe: Teaching solid mechanics to artificial intelligence – a fast solver for heterogeneous materials. In: npj Compu Mats, 10.1038/s41524-021-00571-z.

Autoren: J. R. Mianroodi, Y. Ahmed Salem

Weitere Informationen: https://www.mpie.de/ und https://www.deepmetis.com/

Erfahren Sie hier mehr über das Aufspüren von neuen Materialeigenschaften mithilfe künstlicher Intelligenz.

Lesen Sie auch: „VR-Konferenzsystem: So beschleunigt es die Entwicklung von Teleskopen“


Teilen Sie die Meldung „Neuronales Netz macht komplexe Materialien besser berechenbar“ mit Ihren Kontakten:


Scroll to Top