09.11.2022 - Universiteit van Amsterdam

Top oder Flop? KI sagt Eigenschaften von komplexen Metamaterialien voraus

Selbst wenn nur eine relativ kleine Anzahl von Beispielen zur Verfügung steht, aus denen gelernt werden kann

Kann man ein 3D-Origami-Stück flachlegen, ohne es zu beschädigen? Wenn man sich das Design ansieht, ist die Antwort schwer vorherzusagen, denn jede einzelne Falte im Design muss mit dem Flachdrücken kompatibel sein. Dies ist ein Beispiel für ein kombinatorisches Problem. Neue Forschungsarbeiten unter der Leitung des UvA-Instituts für Physik und des Forschungsinstituts AMOLF haben gezeigt, dass Algorithmen für maschinelles Lernen diese Art von Fragen genau und effizient beantworten können. Es wird erwartet, dass dies dem durch künstliche Intelligenz unterstützten Design komplexer und funktioneller (Meta-)Materialien Auftrieb geben wird.

In ihrer neuesten Arbeit, die in der Zeitschrift Physical Review Letters veröffentlicht wurde, testete das Forscherteam, wie gut künstliche Intelligenz (KI) die Eigenschaften von so genannten kombinatorischen mechanischen Metamaterialien vorhersagen kann.

Künstliche Materialien

Dabei handelt es sich um künstliche Materialien, deren Eigenschaften durch ihre geometrische Struktur und nicht durch ihre chemische Zusammensetzung bestimmt werden. Ein Origami-Stück ist ebenfalls eine Art Metamaterial, dessen Fähigkeit, sich abzuflachen (eine physikalisch klar definierte Eigenschaft), durch die Art und Weise bestimmt wird, wie es gefaltet wird (seine Struktur), und nicht durch die Art des Papiers, aus dem es hergestellt ist. Ganz allgemein können wir durch intelligentes Design genau steuern, wo oder wie sich ein Metamaterial biegt, wölbt oder ausbeult, was für alle möglichen Dinge genutzt werden kann, von Stoßdämpfern bis hin zur Entfaltung von Solarzellen auf einem Satelliten im All.

Ein typisches kombinatorisches Metamaterial, das im Labor untersucht wird, besteht aus zwei oder mehr Arten oder Ausrichtungen von Bausteinen, die sich auf unterschiedliche Weise verformen, wenn eine mechanische Kraft einwirkt. Wenn diese Bausteine willkürlich kombiniert werden, wird sich das Material als Ganzes unter Druck normalerweise nicht verformen, weil nicht alle Blöcke in der Lage sind, sich so zu verformen, wie sie es wollen; sie werden sich verklemmen. Wenn ein Baustein sich nach außen wölben möchte, sollte sein Nachbar in der Lage sein, sich nach innen zu verformen. Damit sich das Metamaterial leicht verbiegen lässt, müssen alle verformten Bausteine wie ein Puzzle zusammenpassen. So wie die Änderung einer einzigen Falte ein Origami-Stück nicht mehr flach machen kann, kann die Änderung eines einzelnen Blocks ein "schlaffes" Metamaterial starr machen.

Schwer vorhersehbar

Obwohl Metamaterialien viele potenzielle Anwendungen haben, ist die Entwicklung eines neuen Materials eine Herausforderung. Ausgehend von einem bestimmten Satz von Bausteinen lassen sich die Gesamteigenschaften von Metamaterialien für verschiedene Strukturen oft nur durch Versuch und Irrtum bestimmen. In der heutigen Zeit wollen wir das nicht mehr von Hand machen. Da die Eigenschaften von kombinatorischen Metamaterialien jedoch so empfindlich auf Änderungen an einzelnen Bausteinen reagieren, sind herkömmliche statistische und numerische Methoden langsam und fehleranfällig.

Stattdessen fanden die Forscher heraus, dass maschinelles Lernen die Antwort sein könnte: Selbst wenn man nur eine relativ kleine Menge von Beispielen zum Lernen zur Verfügung hat, sind so genannte konvolutionäre neuronale Netze in der Lage, die Metamaterialeigenschaften einer beliebigen Konfiguration von Bausteinen bis ins kleinste Detail genau vorherzusagen.

"Dies hat unsere Erwartungen bei weitem übertroffen", sagt Ryan van Mastrigt, Doktorand und Erstautor. "Die Genauigkeit der Vorhersagen zeigt uns, dass die neuronalen Netze tatsächlich die mathematischen Regeln gelernt haben, die den Metamaterialeigenschaften zugrunde liegen, auch wenn wir selbst nicht alle Regeln kennen."

Diese Erkenntnis deutet darauf hin, dass wir KI nutzen können, um neue komplexe Metamaterialien mit nützlichen Eigenschaften zu entwickeln. Ganz allgemein können wir durch die Anwendung neuronaler Netze auf kombinatorische Probleme viele spannende Fragen aufwerfen. Vielleicht können sie uns bei der Lösung von (kombinatorischen) Problemen in anderen Zusammenhängen helfen. Umgekehrt können die Ergebnisse unser Verständnis von neuronalen Netzen selbst verbessern, indem sie zum Beispiel zeigen, wie die Komplexität eines neuronalen Netzes mit der Komplexität der Probleme zusammenhängt, die es lösen kann.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Fakten, Hintergründe, Dossiers
  • Metamaterialien
  • maschinelles Lernen
  • künstliche Intelligenz
  • Vorhersagemodelle
Mehr über Universiteit van Amsterdam