AI voorspelt de eigenschappen van complexe metamaterialen

Een Nederlands onderzoeksteam heeft getest hoe goed Artificiële Intelligentie (AI) de eigenschappen van zogeheten combinatorische mechanische metamaterialen kan voorspellen.

Trefwoorden: #AI, #Amsterdam, #artificiële intelligentie, #research, #Universiteit

Lees verder

research

( Foto: Universiteit van Amsterdam - Daan Haver en Yao Du )

ENGINEERINGNET.BE - Van kunstmatige materialen worden de eigenschappen bepaald door hun geometrische structuur, in plaats van door hun chemische samenstelling.

Een stuk origami is bijvoorbeeld ook een soort metamateriaal, waarvan de pletbaarheid wordt bepaald door hoe het is gevouwen, in plaats van door het soort papier waarvan het is gemaakt.

Meer in het algemeen kunnen we met een slim ontwerp precies bepalen waar of hoe een metamateriaal zal buigen, knikken of uitpuilen, wat toepassingen kan vinden in bijvoorbeeld schokdempers en uitklappende zonnepanelen op een satelliet.

Een typisch combinatorisch metamateriaal dat in het laboratorium wordt bestudeerd is opgebouwd uit twee of meer soorten of oriëntaties van bouwstenen, die op verschillende manieren vervormen wanneer er een mechanische kracht op wordt uitgeoefend.

Hoewel metamaterialen veel potentiële toepassingen hebben, is het ontwerpen ervan niet makkelijk. Beginnend met een bepaalde set aan bouwstenen, is het moeilijk om te voorspellen welke samenstellingen nuttige of interessante eigenschappen zullen hebben.

Vaak komt het vinden van een goed ontwerp neer op het simpelweg uitproberen van mogelijkheden. Omdat de eigenschappen van combinatorische metamaterialen echter zo gevoelig zijn voor de verandering van een enkele bouwsteen, zijn conventionele statistische en numerieke methodes erg langzaam en vatbaar voor fouten.

Nieuw onderzoek van het UvA-Institute of Physics en onderzoeksinstituut AMOLF toont aan dat machine learning een oplossing kan bieden. Zelfs met alleen een kleine set aan voorbeelden om van te leren, laat dit onderzoek zien dat zogeheten convolutionele neurale netwerken in staat zijn om de eigenschappen van verschillende bouwsteen-samenstellingen nauwkeurig te voorspellen.

“Dit overtrof al onze verwachtingen,” zegt PhD-kandidaat Ryan van Mastrigt. “De nauwkeurigheid van de voorspellingen laat zien dat de neurale netwerken feitelijk de wiskundige regels achter de metamateriaal-eigenschappen hebben geleerd, zelfs wanneer wij zelf niet alle regels kennen.”

"Meer in het algemeen stelt het toepassen van neurale netwerken op combinatorische problemen ons in staat om veel spannende vragen te stellen. Misschien kunnen ze ons helpen bij het oplossen van (combinatorische) problemen in andere contexten."

"En omgekeerd kunnen we hiermee ook meer leren over de neurale netwerken zelf, door bijvoorbeeld te kijken naar hoe de complexiteit van een neuraal netwerk zich verhoudt tot de complexiteit van de problemen die het kan oplossen."

Op de afbeelding boven: twee combinatorische mechanische metamaterialen die zo zijn ontworpen dat de letters M en L naar buiten puilen wanneer ze worden geperst tussen twee platen (boven en onder). Het ontwerpen van nieuwe metamaterialen zoals deze wordt gemakkelijk gemaakt door AI.