Revolutsiooniline AI-meetod avab hõõrdumise saladused!

Revolutsiooniline AI-meetod avab hõõrdumise saladused!

Hõõrdumine on üldlevinud nähtus, mis esineb paljudes tehnilistes ja bioloogilistes süsteemides mootoritest tehniliste seadmete ja inimeste liigestega. Vaatamata nende igapäevasele kohalolekule on hõõrdumisega seotud füüsikalised protsessid sageli keerulised ja neid on raske katseliselt uurida. Küll aga võib seda muuta Freiburgi ülikoolis ja Karlsruhe tehnoloogiainstituudis (KIT) välja töötatud uus simulatsioonimeetod. See meetod kasutab tehisintellekti (AI) hõõrdumise analüüsimiseks molekulaarsel tasemel ja paremate prognooside tegemiseks.

Teadlaste tulemused ajakirjasTeaduse edusammudavaldatud näitavad, et erinevate pikkusskaaladega füüsiliste mudelite ja masinõppemeetodite kombinatsioon annab paljutõotavaid teadmisi. KITi professori Peter Gumbschi sõnul võib see tehnika anda keerukate hõõrdesüsteemide sügavama mõistmise, mis pakub tööstusele ja materjaliteadusele suurt huvi. Professor Lars Pastewka Freiburgi ülikoolist lisab, et see uuenduslik meetod võimaldab realistlikult ennustada hõõrdumist, mis võib olla otsustava tähtsusega uute, madala hõõrdumisega süsteemide ja kauakestvate materjalide väljatöötamisel.

Uus simulatsioonimeetod

Värskelt välja töötatud meetod kirjeldab hõõrdumist täpsemalt ja kannab protsessid üle suurematesse, tehniliselt asjakohastesse süsteemidesse. See suurendab täpsust ja tõhusust triboloogiliste süsteemide simuleerimisel. Need lähenemisviisid on eriti väärtuslikud, kuna hõõrdumise mõistmine põhineb sageli ebatäpsetel eeldustel. Arvutisimulatsioonid aitavad teadlastel paremini mõista keerulisi hõõrdumise, määrimise ja sellega seotud kulumise mehhanisme.

Selle meetodi keskseks elemendiks on aktiivõppemeetodite kasutamine, mis võimaldavad aluseks olevaid mudeleid pidevalt täiustada, genereerides uusi koolitusandmeid. Uuringu juhtivautor dr Hannes Holey kirjeldab meetodit kui läbimurret keeruliste hõõrdesüsteemide mõistmisel. See ei ole lihtsalt akadeemiline edusamm, vaid paljutõotav alus materjalide ja süsteemide arendamiseks, mis võiksid olla tõhusamad ja toimida paremini tulevikus.

Interdistsiplinaarne lähenemine

Instituutide vaheline interdistsiplinaarne koostöö näitab, kuidas tehisintellekt muutub materjaliteaduses üha olulisemaks. Tehisintellekti kasutatakse mitte ainult materjalide omaduste ennustamiseks, vaid ka uute materjalide avastamiseks uurimata keemilistest struktuuriruumidest. Need tehnoloogiad muudavad juurdepääsu uutele materjalidele ja laiendavad oluliselt võimalusi materjaliuuringute valdkonnas. Andmebaasialgatused, nagu PoLyInfo, hõlbustavad juurdepääsu vajalikele teaberessurssidele, kuigi andmete jagamisel ja standardimisel on endiselt probleeme.

Materjaliteaduse tehisintellekt toob kaasa mitmesuguseid lähenemisviise, nagu Bayesi optimeerimine ja juhuslikud metsaregressorid, mida kasutatakse materjalide omaduste ennustamiseks. Selle valdkonna edusammude näide on esimene edukas ennustus uue materjali kohta keemilisest valgest ruumist, mis saavutati juhusliku metsaregressori abil.

Üldiselt näitab teadusasutuste koostöö ja tehisintellekti kasutamine hõõrdeuuringutes, kui võimsad on uued tehnoloogiad. Füüsiliste mudelite ja intelligentsete algoritmide vaheline seos võib lähitulevikus olla otsustava tähtsusega uute, kauakestvate materjalide ja süsteemide väljatöötamisel.

KIT teatab nendest uudistest ja tehisintellekti olulisest rollist kaasaegses materjaliteaduses, samas kui Freiburgi ülikool oma Pressiteade rõhutab selle uuenduse muutvat jõudu. Lisateavet tehisintellekti kohta materjaliteaduses leiate aadressilt Vikipeedia.