Przełom w projektowaniu metamateriałów: AI tworzy struktury odporne na defekty

Współczesna inżynieria materiałowa dąży do tworzenia coraz bardziej zaawansowanych struktur, zdolnych sprostać rygorystycznym wymaganiom użytkowym – od kompozytów lotniczych po implanty medyczne. Kluczową rolę w tym procesie odgrywają lekkie materiały komórkowe, takie jak metamateriały, których właściwości mechaniczne, jak zdolność absorpcji energii czy tłumienie drgań, można programować. Niemniej jednak, ich masowa produkcja często napotyka na bariery związane z defektami powstającymi podczas wytwarzania, co może znacząco obniżyć wydajność lub doprowadzić do katastrofalnych awarii. Właśnie w tym kontekście pojawia się przełomowe rozwiązanie opracowane przez zespół badawczy z UC Berkeley.

Badacze pod kierownictwem Xiaoyu (Rayne) Zhenga przedstawili nowe, oparte na sztucznej inteligencji ramy — GraphMetaMat. Jest to metoda umożliwiająca efektywniejsze projektowanie trójwymiarowych metamateriałów kratownicowych, które z natury charakteryzują się niezwykłymi właściwościami mechanicznymi oraz zdolnością do manipulowania falami akustycznymi. Najważniejszą innowacją jest jednak zdolność systemu do minimalizowania wrażliwości tych materiałów na defekty produkcyjne.

Od teorii do rzeczywistości przemysłowej

Opublikowany w „Nature Machine Intelligence” artykuł szczegółowo opisuje, w jaki sposób GraphMetaMat, dzięki zastosowaniu technik głębokiego uczenia, wypełnia lukę między teoretycznym projektowaniem metamateriałów a ich faktyczną produkcyjnością. Profesor Zheng podkreśla, że dotychczasowe prace w dziedzinie AI i projektowania materiałów koncentrowały się głównie na środowiskach idealnych, dając rozwiązania, które dobrze sprawdzały się jedynie w laboratoryjnych warunkach. GraphMetaMat ma za zadanie zmienić ten stan rzeczy, dostarczając realistyczne projekty, zoptymalizowane pod kątem konkretnych metod wytwarzania, takich jak druk 3D, z uwzględnieniem typowych wad produkcyjnych.

Istniejące podejścia do projektowania, mimo postępów w dziedzinie projektowania opartego na danych i produkcji addytywnej, mają swoje ograniczenia. Są one skuteczne w generowaniu metamateriałów o liniowych właściwościach, takich jak elastyczność, lecz napotykają trudności w odwzorowaniu złożonych zachowań nieliniowych, kluczowych dla zastosowań wymagających absorpcji energii, np. w zderzakach samochodowych czy sprzęcie ochronnym.

„Metody projektowania, takie jak optymalizacja topologii, czy intuicyjne podejście iteracyjne, są dobre w przewidywaniu prostych odpowiedzi. Jednak w przypadku wielu rzeczywistych problemów, nie są one w stanie efektywnie projektować materiałów o wymaganej funkcjonalności, produkcyjności i tolerancji na defekty wprowadzone podczas produkcji” – wyjaśnia Zheng.

Synergia głębokiego uczenia

Rozwiązaniem, które wdrożyli badacze, jest integracja wielu technik głębokiego uczenia – uczenia ze wzmocnieniem, uczenia przez imitację, modelu surogatowego oraz przeszukiwania drzewa Monte Carlo – w ramach GraphMetaMat. Jak tłumaczy Marco Maurizi, główny autor badania, użytkownicy mogą tworzyć projekty metamateriałów, reprezentowane jako grafy, od podstaw. W oparciu o niestandardowe dane wejściowe – takie jak pożądana krzywa naprężenie-odkształcenie lub specyficzne pasma tłumienia drgań – system AI iteracyjnie dodaje węzły i krawędzie grafu, definiując geometrię i topologię materiału.

Najważniejszą cechą GraphMetaMat, zdaniem Zhenga, jest jego unikalna zdolność do włączania do grafów inżynierskich ograniczeń, w tym tych związanych z procesami produkcyjnymi i defektami. „Ta innowacja stanowi punkt zwrotny, ponieważ gwarantuje, że generowane metamateriały nie ulegną awarii, jeśli podczas produkcji rozwinie się w nich mały defekt” – zaznacza Zheng.

W testach koncepcyjnych, GraphMetaMat został użyty do zaprojektowania lekkich metamateriałów kratownicowych, zoptymalizowanych pod kątem absorpcji energii i tłumienia drgań w różnych częstotliwościach. W każdym przypadku, generowany metamateriał konsekwentnie przewyższał tradycyjne materiały, w tym pianki polimerowe i kryształy fononiczne. Wyniki te wyraźnie wskazują, że GraphMetaMat ma potencjał do przedefiniowania paradygmatu projektowania materiałów, otwierając drzwi do tworzenia realistycznych, wysokowydajnych metamateriałów o szerokim spektrum zastosowań przemysłowych.