ΑΡΧΙΚΗ Tech News Χρήση τεχνητής νοημοσύνης για να προβλέψει πότε και πού θα σπάσει το γυαλί

Χρήση τεχνητής νοημοσύνης για να προβλέψει πότε και πού θα σπάσει το γυαλί

0 second read
0
321
Χρήση τεχνητής νοημοσύνης για να προβλέψει πότε και πού θα σπάσει το γυαλί
Facebooktwitterpinterestlinkedinmail

Η ικανότητα πρόβλεψης πότε τα υλικά θα σπάσουν είναι τεράστιας σημασίας για βιομηχανικές εφαρμογές, οι εταιρείες μπορούν να χρησιμοποιήσουν αυτές τις πληροφορίες για να εξελίξουν και να συντηρήσουν συσκευές και εξαρτήματα πιο αποτελεσματικά και οικονομικά. Μια ερευνητική ομάδα από το FAU και το Πανεπιστήμιο του Μιλάνου απέδειξε ότι η τεχνητή νοημοσύνη μπορεί να προβλέψει πότε θα σπάσει το γυαλί χαλαζία με βάση τις πληροφορίες που αντλούνται από εικόνες της ατομικής μικροδομής του. Οι ερευνητές δημοσίευσαν τα αποτελέσματά τους στο περιοδικό Nature Communications.

Το γυαλί είναι ένα υλικό στερεό και άμορφο, δηλαδή δεν παρουσιάζει κρυσταλλική δομή, σε αντίθεση με άλλα στερεά κρυσταλλικά υλικά τα άτομα του δεν είναι διατεταγμένα με συνέπεια. Αυτό καθιστά πιο δύσκολη την πρόβλεψη του πότε θα σπάσει το γυαλί, αφού δεν υπάρχει καθορισμένη σειρά ατόμων και είναι δύσκολο να ανιχνευθούν τα πρώτα σημάδια διαταραχής του. Χάρη στις τελευταίες εξελίξεις στη βαθιά μάθηση (Deep Learning) και τεχνητή νοημοσύνη (AI), οι ερευνητές μπορούν τώρα να προβλέψουν αξιόπιστα πότε είναι πιθανό να σπάσει ένα γυαλί.

Σχηματική απεικόνιση συστήματος και αλγορίθμων. α) Προοπτική όψη των διπλών στρωμάτων γυαλιού πυριτίου: τα άτομα πυριτίου είναι χρωματισμένα με κυανό και τα άτομα οξυγόνου με κόκκινο. β) Σχηματική αναπαράσταση του σχηματισμού θραύσης υπό αυξανόμενη τάση εφελκυσμού από αριστερά προς τα δεξιά: μη τάνυση (αριστερό πλαίσιο), πρώτο πλαστικό συμβάν που αντιστοιχεί σε θραύση δεσμού (κεντρικό πλαίσιο) και διαδρομή ρωγμής (δεξιό πλαίσιο). γ) Προσέγγιση τοπικής μάθησης που χρησιμοποιεί Υποστήριξη Διανυσματική Μηχανή για να προβλέψει την ελαστική/πλαστική φύση μεμονωμένων ατόμων. δ) Παγκόσμια προσέγγιση εκμάθησης που χρησιμοποιεί ένα μοντέλο ResNet για να προβλέψει την τάση ρήξης, τη θέση και την πλήρη διαδρομή ρωγμής. Η προσέγγιση επιτρέπει επίσης την ερμηνεία των αποφάσεων του μοντέλου χρησιμοποιώντας χάρτες προσοχής (δεξιά πλευρά του πίνακα). Credit: Nature Communications (2022). DOI: 10.1038/s41467-022-30530-1
Σχηματική απεικόνιση συστήματος και αλγορίθμων. a) Προοπτική όψη των διπλών στρωμάτων γυαλιού πυριτίου: τα άτομα πυριτίου είναι χρωματισμένα με κυανό και τα άτομα οξυγόνου με κόκκινο. b) Σχηματική αναπαράσταση του σχηματισμού θραύσης υπό αυξανόμενη τάση εφελκυσμού από αριστερά προς τα δεξιά: μη τάνυση (αριστερό πλαίσιο), πρώτο πλαστικό συμβάν που αντιστοιχεί σε θραύση δεσμού (κεντρικό πλαίσιο) και διαδρομή ρωγμής (δεξιό πλαίσιο). c) Προσέγγιση τοπικής μάθησης που χρησιμοποιεί Υποστήριξη Διανυσματική Μηχανή για να προβλέψει την ελαστική/πλαστική φύση μεμονωμένων ατόμων. d) Παγκόσμια προσέγγιση εκμάθησης που χρησιμοποιεί ένα μοντέλο ResNet για να προβλέψει την τάση ρήξης, τη θέση και την πλήρη διαδρομή ρωγμής. Η προσέγγιση επιτρέπει επίσης την ερμηνεία των αποφάσεων του μοντέλου χρησιμοποιώντας χάρτες προσοχής (δεξιά πλευρά του πίνακα). Credit: Nature Communications (2022). DOI: 10.1038/s41467-022-30530-1

Οι επιστήμονες δεν είναι ακόμη σε θέση να εξηγήσουν πώς το σύστημα τεχνητής νοημοσύνης επηρεάζει τα αποτελέσματά της έρευνας και σε ποιες παραμέτρους, είναι κάτι που εξετάζετε, είναι κοινό πρόβλημα στην έρευνα με τεχνητή νοημοσύνη. «Τα νευρωνικά δίκτυα είναι μαύρα κουτιά», εξηγεί ο καθηγητής Δρ. Stefano Zapperi από το Πανεπιστήμιο του Μιλάνου, ο οποίος ήταν προσκεκλημένος ερευνητής στο FAU. “Αυτός είναι ένας σημαντικός περιορισμός στην επιστημονική έρευνα που έχει ως αποστολή να εξηγήσει τα αίτια ενός συγκεκριμένου φαινομένου.”

Για να λύσουν αυτό το πρόβλημα, οι ερευνητές χρησιμοποιούν μια μέθοδο για τον εντοπισμό των ευαίσθητων περιοχών μέσω μιας εικόνας μικροδομής, που χρησιμοποιείτε από τα νευρωνικά δίκτυα για να προβλεφθεί από που θα ξεκινήσει το σπάσιμο του γυαλιού και πότε.

“Τα νευρωνικά δίκτυα προσπαθούν να μιμηθούν τον εγκέφαλο. Επίσης, δεν καταλαβαίνουμε πάντα πώς ο εγκέφαλος φτάνει σε ένα συγκεκριμένο αποτέλεσμα. Αλλά στους ανθρώπους τουλάχιστον, μπορούμε να παρατηρήσουμε συμπεριφορά όπως, η κίνηση των ματιών, χεριών, που μπορεί να εξηγήσει μία συμπεριφορά ενός ανθρώπου.” λέει ο Michael Zaiser, Καθηγητής Προσομοιώσεων Υλικών στο FAU και συν-συγγραφέας της μελέτης. «Πήραμε παρόμοια προσέγγιση και στην πρόβλεψη του γυαλιού, και ερευνήσαμε σημεία που “τράβηξαν την προσοχή” του νευρωνικού δικτύου, ακολουθώντας ουσιαστικά αυτό που “κοιτάζει”».

Η παραπάνω μέθοδος επέτρεψε στους ερευνητές να διερευνήσουν και να καταγράψουν ποιοι είναι οι παράμετροι που επηρεάζουν τη συμπεριφορά σπασίματος. «Χάρη σε αυτή τη μέθοδο, μπορέσαμε να εντοπίσουμε και να κατανοήσουμε καλύτερα τις πτυχές που προκαλούν το σπάσιμο του γυαλιού και όχι μόνο να προβλέψουμε πότε το γυαλί είναι πιθανό να σπάσει, αλλά και να αποκτήσουμε θεμελιώδεις γνώσεις για τη μηχανική των υλικών», λέει ο Stefano Zapperi. «Η τεχνική που έχουμε αναπτύξει μπορεί να εφαρμοστεί και σε περαιτέρω υλικά», προσθέτει ο Michael Zaiser

Facebooktwitterpinterestlinkedinmail
ΠΕΡΙΣΣΟΤΕΡΑ THINKTECH NEWS
Διαβάστε περισσότερα άρθρα webmedia
Διαβάστε περισσότερα άρθρα Tech News

ΕΝΔΙΑΦΕΡΟΝ ΑΡΘΡΟ

Βιομετρική αναγνώριση μέσω της ανάσας μας

Ερευνητές αναπτύσσουν έναν οσφρητικό αισθητήρα για βιομετρική αναγνώριση ταυτότητας χρησιμ…