| En la ciencia
de los materiales, el aprendizaje automático se ha investigado intensamente
y se ha utilizado en diversas aplicaciones. Sin embargo, aún está
lejos de alcanzar una inteligencia comparable a la de los expertos humanos
en términos de creatividad y explicabilidad.
La guía
para construir el marco de aprendizaje automático adoptado en este
documento es imitar el proceso de pensamiento de los investigadores humanos
en la interpretación y desarrollo de materiales. Nuestro marco se
aplicó a la optimización de estructuras de aceros bifásicos
artificiales en términos de propiedades de fractura.
Una comparación
de los resultados del marco con los de la simulación numérica
basada en las leyes físicas gobernantes demostró el potencial
de nuestro marco para la identificación de una parte de las microestructuras
que afectan críticamente la propiedad objetivo.
En consecuencia,
esto implica que nuestro marco puede adquirir implícitamente una
intuición de manera similar a como los investigadores humanos logran
empíricamente la estrategia general para el diseño material
consistente con el trasfondo físico.
Una comparación
de los resultados del marco con los de la simulación numérica
basada en las leyes físicas gobernantes demostró el potencial
de nuestro marco para la identificación de una parte de las microestructuras
que afectan críticamente la propiedad objetivo.
En consecuencia,
esto implica que nuestro marco puede adquirir implícitamente una
intuición de manera similar a como los investigadores humanos logran
empíricamente la estrategia general para el diseño material
consistente con el trasfondo físico. Una comparación de los
resultados del marco con los de la simulación numérica basada
en las leyes físicas gobernantes demostró el potencial de
nuestro marco para la identificación de una parte de las microestructuras
que afectan críticamente la propiedad objetivo.
En consecuencia,
esto implica que nuestro marco puede adquirir implícitamente una
intuición de manera similar a como los investigadores humanos logran
empíricamente la estrategia general para el diseño material
consistente con el trasfondo físico.
Las metodologías
de aprendizaje automático pueden extraer patrones ocultos o capturar
relaciones implícitas a partir de una gran cantidad de datos, como
micrografías de materiales y datos de propiedades y estructura de
materiales.
Por otro lado,
los humanos históricamente han podido adquirir conocimiento empírico
con el cual se puede derivar una estrategia general de diseño de
materiales a partir de una cantidad mucho menor de datos experimentales;
es decir, los expertos humanos parecen obtener una intuiciónpara
el diseño de materiales a partir de sus experiencias. Este hecho
nos motiva a desarrollar un marco de aprendizaje automático basado
en el tren de pensamientos de expertos humanos para el diseño de
materiales.
Una idea fundamental
que comparten los metalúrgicos es que las microestructuras materiales
están compuestas de tipos finitos de fases diferentes o microestructuras
a pequeña escala. Dado que las microestructuras individuales a pequeña
escala se desarrollan competitivamente con cinéticas de formación
completamente diferentes, se supone que tienen características geométricas
totalmente diferentes mientras mantienen ciertos órdenes espaciales
según las condiciones del proceso, como la velocidad de enfriamiento
y la temperatura de mantenimiento.
Además,
también debe reconocerse que los procesos de formación de
las microestructuras de acero características anteriores son dinámicos.
En otras palabras,
las microestructuras características individuales se determinan
dinámicamente a través de sus interacciones mutuas. Por lo
tanto, se supone que la disposición resultante de las microestructuras
características tiene algún orden espacial. Esto puede ser
una pista para la elección de marcos de aprendizaje automático.
Fuente:
https://www.nature.com/articles/s41598-022-17614-0 |
