11 jan. 2021
2 minuten
Een onderzoeksteam van Sandia National Laboratories (VS) heeft machine learning gebruikt om lastige materiaalkundige berekeningen meer dan 40.000 keer sneller dan normaal uit te voeren. Hun resultaten kunnen een dramatische versnelling inluiden in de creatie van nieuwe technologieën voor optica, ruimtevaart, energieopslag en mogelijk medicijnen, terwijl laboratoria tegelijkertijd geld kunnen besparen op computerkosten.
Het onderzoek is gepubliceerd in npj Computational Materials.
"We verkorten de ontwerpcyclus", zegt computermateriaalwetenschapper David Montes de Oca Zapiain. "Het ontwerp van productcomponenten gaat normaal gesproken vele malen sneller dan het ontwerp van de materialen die je nodig hebt om ze te bouwen. Dat willen we veranderen. Als je eenmaal een onderdeel hebt ontworpen, willen we een compatibel materiaal voor dat onderdeel kunnen ontwerpen zonder jaren te hoeven wachten, zoals bij het huidige proces."
De onderzoekers gebruikten machine learning om een computersimulatie te versnellen die voorspelt hoe het veranderen van een ontwerp of fabricageproces, zoals het aanpassen van de hoeveelheden metalen in een legering, een materiaal zal beïnvloeden. Een project kan duizenden simulaties vereisen, die weken, maanden of zelfs jaren kunnen duren. Het team klokte een enkele, traditionele simulatie op een krachtige computercluster met 128 processoren (een typische thuiscomputer heeft er twee tot zes) na 12 minuten. Bij machine learning duurde dezelfde simulatie 60 milliseconden met slechts 36 cores, wat overeenkomt met 42.000 keer sneller op gelijke computers. Dit betekent dat onderzoekers nu in minder dan 15 minuten kunnen leren wat normaal een jaar zou duren.
Machine learning is wel iets minder nauwkeurig, omdat het benaderingen gebruikt in plaats van volledige berekeningen. Sandia’s nieuwe algoritme kwam tot een antwoord dat 5% verschilde van het resultaat van de standaardsimulatie.
"Ons machine-learning framework bereikt in wezen dezelfde nauwkeurigheid als het high-fidelity-model, maar tegen een fractie van de rekenkosten", aldus materiaalwetenschapper Rémi Dingreville.
Voordelen kunnen verder reiken dan alleen materialen
Dingreville en Montes de Oca Zapiain gaan hun algoritme eerst gebruiken om onderzoek te doen naar ultradunne optische technologieën voor monitoren en schermen van de volgende generatie. Hun onderzoek kan echter zeer nuttig blijken te zijn, omdat de simulatie die ze versnelden een veelvoorkomende gebeurtenis beschrijft: de verandering of evolutie van de microscopisch kleine bouwstenen van een materiaal in de loop van de tijd.
Machine learning is eerder gebruikt om simulaties te versnellen die berekenen hoe interacties tussen atomen en moleculen in de loop van de tijd veranderen. De gepubliceerde resultaten tonen echter het eerste gebruik van machine learning aan om simulaties van materialen op relatief grote, microscopische schaal te versnellen, waarvan het Sandia-team verwacht dat dit van grotere praktische waarde zal zijn voor wetenschappers en ingenieurs.
Wetenschappers kunnen nu bijvoorbeeld snel simuleren hoe minuscule druppeltjes gesmolten metaal samenklonteren wanneer ze afkoelen en stollen, of omgekeerd, hoe een mengsel in lagen van de samenstellende delen wordt gescheiden wanneer het smelt. Veel andere natuurlijke verschijnselen, waaronder de vorming van eiwitten, volgen vergelijkbare patronen. En hoewel het Sandia-team het algoritme voor machine learning niet heeft getest op simulaties van eiwitten, zijn ze geïnteresseerd in het onderzoeken van de mogelijkheid in de toekomst.
Anderen lazen ook
