Yeni materyaller geliştirmenin en önemli adımlarından biri, uzun süredir büyük miktarlarda deneysel verilere ve pahalı ekipmanlara dayanan ve araştırma verimliliğini sınırlayan özellik tanımlamadır. KAIST araştırma ekibi, malzeme ve enerjinin deformasyonunu ve etkileşimini yöneten fiziksel yasaları yapay zekayla birleştiren yeni bir teknik tanıttı. Bu yaklaşım, verilerin kıt olduğu koşullarda bile yeni malzemelerin hızlı bir şekilde keşfedilmesine olanak tanır ve malzeme, mekanik, enerji ve elektronik dahil olmak üzere birçok mühendislik alanında tasarımın ve doğrulamanın hızlandırılması için bir temel sağlar.
Profesör Seunghwa Ryu’nun Makine Mühendisliği Bölümü’ndeki araştırma grubu, Kyung Hee Üniversitesi’nden Profesör Jae Hyuk Lim’in grubu ve Kore Elektroteknoloji Araştırma Enstitüsü’nden Dr. Byungki Ryu ile işbirliği içinde, yalnızca sınırlı verilerle malzeme özelliklerini doğru bir şekilde belirleyebilecek yeni bir yöntem önerdi. Yöntem, fiziksel yasaları doğrudan yapay zeka öğrenme sürecine dahil eden fizik bilgili makine öğrenimini (PIML) kullanıyor.
İlk çalışmada araştırmacılar kauçuk gibi hiperelastik malzemelere odaklandılar. Tek bir deneyden elde edilen yalnızca az miktarda veriyi kullanarak hem deformasyon davranışını hem de malzemelerin özelliklerini tanımlayabilen, fizik bilgili bir sinir ağı (PINN) yöntemi sundular. Önceki yaklaşımlar büyük, karmaşık veri kümeleri gerektirirken bu araştırma, veriler kıt, sınırlı veya gürültülü olduğunda bile malzeme özelliklerinin güvenilir bir şekilde yeniden üretilebileceğini gösterdi.
İkinci çalışmada ekip, ısıyı elektriğe ve elektriği ısıya dönüştüren yeni malzemeler olan termoelektrik malzemelere yöneldi. Sadece birkaç ölçümden termal iletkenlik (ısı ne kadar iyi aktarılır) ve Seebeck katsayısı (elektriğin ne kadar verimli üretildiği) gibi temel göstergeleri tahmin edebilen PINN tabanlı bir ters çıkarım tekniği önerdiler.
Daha da ileri giderek araştırmacılar, doğanın fiziksel yasalarını anlayan bir yapay zeka modeli olan Fizik Bilgili Sinir Operatörünü (PINO) tanıttı ve yeniden eğitim gerektirmeden daha önce görülmemiş materyallere genelleştirilebildiğini gösterdi.
Aslında sistemi 20 malzeme üzerinde eğittikten sonra, sistemi tamamen yeni 60 malzeme üzerinde test ettiler ve her durumda bunların özelliklerini yüksek doğrulukla tahmin ettiler. Bu atılım, sayısız aday malzemenin büyük ölçekli, yüksek hızlı taranmasının mümkün olacağı bir geleceğe işaret ediyor.
Bu başarı, deney ihtiyacını azaltmanın çok ötesine geçiyor. Araştırmacılar, fiziksel yasaları yapay zeka ile karmaşık bir şekilde birleştirerek, güvenilirliği korurken deneysel verimliliği artırmanın ilk örneğini sağladılar.
Her iki çalışmaya da liderlik eden Profesör Seunghwa Ryu, “Bu, fiziksel yasaları anlayan yapay zekanın gerçek malzeme araştırmalarına uygulanmasının ilk örneğidir. Veri kullanılabilirliği sınırlı olduğunda bile malzeme özelliklerinin güvenilir bir şekilde tanımlanmasını sağlar ve çeşitli mühendislik alanlarına yayılması bekleniyor.”
KAIST Makine Mühendisliği Ph.D. tarafından ortak yazılan ilk makale. Adaylar Hyeonbin Moon ve Donggeun Park yayınlandı Uygulamalı Mekanik ve Mühendislikte Bilgisayar Yöntemleri.
KAIST Makine Mühendisliği Ph.D. tarafından ortak yazılan ikinci makale. adaylar Hyeonbin Moon ve Songho Lee ve Dr. Wabi Demeke’nin adayları yayınlandı. npj Hesaplamalı Malzemeler.
