Tal vez no pueda distinguir un libro por su portada, pero según los investigadores del MIT, ahora puede hacer el equivalente para materiales de todo tipo, desde una parte de un avión hasta un implante médico. Su nuevo enfoque permite a los ingenieros averiguar qué sucede en el interior simplemente observando las propiedades de la superficie del material.

El equipo usó un tipo de aprendizaje automático conocido como aprendizaje profundo para comparar un gran conjunto de datos simulados sobre los campos de fuerza externos de los materiales y la estructura interna correspondiente, y los usó para generar un sistema que podría hacer predicciones confiables del interior desde la superficie. datos.

Los resultados se publican en la revista Advanced Materials, en un artículo del estudiante de doctorado Zhenze Yang y el profesor de ingeniería civil y ambiental Markus Buehler.

« Es un problema muy común en ingeniería », explica Buehler. « Si tiene una pieza de material, tal vez sea la puerta de un automóvil o la pieza de un avión, y quiere saber qué hay dentro de ese material, puede medir las tensiones en la superficie tomando imágenes y calculando cuánto deformación que tiene. Pero realmente no puede mirar dentro del material. La única manera de hacerlo es cortándolo y luego mirando dentro y viendo si hay algún tipo de daño allí ».

También es posible usar rayos X y otras técnicas, pero tienden a ser costosas y requieren un equipo voluminoso, dice. « Entonces, lo que hemos hecho es básicamente hacer la pregunta : ¿Podemos desarrollar un algoritmo de inteligencia artificial que pueda observar lo que sucede en la superficie, que podemos ver fácilmente usando un microscopio o tomando una foto, o tal vez simplemente midiendo cosas en la superficie del material, y luego tratando de averiguar qué está pasando realmente dentro? » Esa información privilegiada puede incluir daños, grietas o tensiones en el material, o detalles de su microestructura interna.

El mismo tipo de preguntas también se puede aplicar a los tejidos biológicos, añade. « ¿Hay alguna enfermedad allí, o algún tipo de crecimiento o cambios en el tejido? » El objetivo era desarrollar un sistema que pudiera responder a este tipo de preguntas de una manera completamente no invasiva.

Lograr ese objetivo implicó abordar complejidades, incluido el hecho de que « muchos de estos problemas tienen múltiples soluciones », dice Buehler. Por ejemplo, muchas configuraciones internas diferentes pueden exhibir las mismas propiedades superficiales. Para lidiar con esa ambigüedad, « hemos creado métodos que pueden brindarnos todas las posibilidades, todas las opciones, básicamente, que podrían resultar en este particular guión. »

La técnica que desarrollaron implicó entrenar un modelo de IA utilizando grandes cantidades de datos sobre medidas de superficie y las propiedades interiores asociadas con ellas. Esto incluía no solo materiales uniformes sino también materiales con diferentes materiales combinados. « Algunos aviones nuevos están hechos de compuestos, por lo que tienen diseños deliberados de tener diferentes fases », dice Buehler. « Y, por supuesto, también en biología, cualquier tipo de material biológico estará hecho de múltiples componentes y tienen propiedades muy diferentes, como en el hueso, donde tienes proteínas muy blandas y luego tienes sustancias minerales muy rígidas ».

La técnica funciona incluso para materiales cuya complejidad no se entiende completamente, dice. « Con tejido biológico complejo, no entendemos exactamente cómo se comporta, pero podemos medir el comportamiento. No tenemos una teoría para ello, pero si tenemos suficientes datos recopilados, podemos entrenar el modelo ».

Yang dice que el método que desarrollaron es ampliamente aplicable. « No se limita solo a problemas de mecánica de sólidos, sino que también se puede aplicar a diferentes disciplinas de la ingeniería, como la dinámica de fluidos y otros tipos ». Buehler agrega que se puede aplicar para determinar una variedad de propiedades, no solo tensión y deformación, sino también campos de fluidos o campos magnéticos, por ejemplo, los campos magnéticos dentro de un reactor de fusión. Es « muy universal, no solo para diferentes materiales, sino también para diferentes disciplinas ».

Yang dice que inicialmente comenzó a pensar en este enfoque cuando estaba estudiando datos en un material donde parte de las imágenes que estaba usando estaban borrosas, y se preguntó cómo sería posible « llenar el espacio en blanco » de los datos faltantes en el área borrosa. « ¿Cómo podemos recuperar esta información faltante? » el se preguntó. Al leer más, descubrió que este era un ejemplo de un problema generalizado, conocido como el problema inverso, de tratar de recuperar la información faltante.

El desarrollo del método involucró un proceso iterativo, haciendo que el modelo hiciera predicciones preliminares, comparándolo con datos reales sobre el material en cuestión, y luego ajustando el modelo aún más para que coincida con esa información. El modelo resultante se probó en casos en los que los materiales se conocen lo suficientemente bien como para poder calcular las verdaderas propiedades internas, y las predicciones del nuevo método coincidieron bien con las propiedades calculadas.

Los datos de entrenamiento incluyeron imágenes de las superficies, pero también varios otros tipos de mediciones de las propiedades de la superficie, incluidas las tensiones y los campos eléctricos y magnéticos. En muchos casos, los investigadores utilizaron datos simulados basados ​​en la comprensión de la estructura subyacente de un material determinado. E incluso cuando un nuevo material tiene muchas características desconocidas, el método aún puede generar una aproximación lo suficientemente buena como para brindar orientación a los ingenieros con una dirección general sobre cómo realizar más mediciones.

Como ejemplo de cómo se podría aplicar esta metodología, Buehler señala que hoy en día, los aviones a menudo se inspeccionan probando algunas áreas representativas con métodos costosos como los rayos X porque sería poco práctico probar todo el avión. « Este es un enfoque diferente, en el que tiene una forma mucho menos costosa de recopilar datos y hacer predicciones », dice Buehler. « A partir de eso, puede tomar decisiones sobre dónde quiere buscar y tal vez usar equipos más costosos para probarlo ».

Para empezar, espera que este método, que está disponible gratuitamente para que cualquiera lo use a través del sitio web GitHub, se aplique principalmente en entornos de laboratorio, por ejemplo, en la prueba de materiales utilizados para aplicaciones de robótica blanda.

Para tales materiales, dice : « Podemos medir cosas en la superficie, pero muchas veces no tenemos idea de lo que sucede dentro del material, porque está hecho de un hidrogel o proteínas o biomateriales para actuadores, y no hay teoría ». para eso. Entonces, esa es un área donde los investigadores podrían usar nuestra técnica para hacer predicciones sobre lo que está sucediendo en el interior, y tal vez diseñar mejores pinzas o mejores compuestos « , agrega.

La investigación fue apoyada por la Oficina de Investigación del Ejército de EE. UU. la Oficina de Investigación Científica de la Fuerza Aérea, la plataforma GoogleCloud y MIT Quest for Intelligence.