MIT の AI システムが表面観察から材料の内部構造を明らかに

Maybe you can’t tell a book from its cover, but according to researchers at MIT you may now be able to do the equivalent for materials of all sorts, from an airplane part to a medical implant. Their new approach allows engineers to figure out what’s going on inside simply by observing properties of the material’s surface.

The team used a type of machine learning known as deep learning to compare a large set of simulated data about materials’ external force fields and the corresponding internal structure, and used that to generate a system that could make reliable predictions of the interior from the surface data.

The results are being published in the journal Advanced Materials, in a paper by doctoral student Zhenze Yang and professor of civil and environmental engineering Markus Buehler.

“It’s a very common problem in engineering,” Buehler explains. “If you have a piece of material — maybe it’s a door on a car or a piece of an airplane — and you want to know what’s inside that material, you might measure the strains on the surface by taking images and computing how much deformation you have. But you can’t really look inside the material. The only way you can do that is by cutting it and then looking inside and seeing if there’s any kind of damage in there.”

One potential application of the new method is nondestructive testing; you no longer have to open a metal pipe, for instance, to detect defects. Credit: Courtesy of the researchers

It’s also possible to use X-rays and other techniques, but these tend to be expensive and require bulky equipment, he says. “So, what we have done is basically ask the question: Can we develop an AI algorithm that could look at what’s going on at the surface, which we can easily see either using a microscope or taking a photo, or maybe just measuring things on the surface of the material, and then trying to figure out what’s actually going on inside?” That inside information might include any damages, cracks, or stresses in the material, or details of its internal microstructure.

The same kind of questions can apply to biological tissues as well, he adds. “Is there disease in there, or some kind of growth or changes in the tissue?” The aim was to develop a system that could answer these kinds of questions in a completely noninvasive way.

Achieving that goal involved addressing complexities including the fact that “many such problems have multiple solutions,” Buehler says. For example, many different internal configurations might exhibit the same surface properties. To deal with that ambiguity, “we have created methods that can give us all the possibilities, all the options, basically, that might result in this particular [surface] シナリオ。”

彼らが開発した技術には、表面測定値とそれに関連する内部特性に関する膨大な量のデータを使用して AI モデルをトレーニングすることが含まれていました。 均一な素材だけでなく、異素材を組み合わせたものも含まれます。 「一部の新しい飛行機は複合材料で作られているため、異なる位相を持つように意図的に設計されています」とビューラー氏は言います。 「そしてもちろん、生物学においても、あらゆる種類の生物学的材料は複数の成分から作られ、それらは非常に異なる特性を持っています。たとえば、骨には非常に柔らかいタンパク質があり、次に非常に硬いミネラル物質があります。」

この技術は、複雑さが完全に理解されていない材料に対しても機能すると彼は言います。 「複雑な生体組織の場合、それがどのように動作するかを正確に理解することはできませんが、動作を測定することはできます。 理論はありませんが、十分なデータが収集できればモデルをトレーニングできます。」

ヤン氏は、自分たちが開発した手法は広く応用できると語る。 「これは固体力学の問題に限定されるものではなく、流体力学やその他のタイプのさまざまな工学分野にも適用できます。」 ビューラー氏は、この手法は、応力やひずみだけでなく、流体場や磁場、たとえば核融合炉内の磁場など、さまざまな特性の決定に適用できると付け加えています。 それは「さまざまな素材だけでなく、さまざまな分野にも非常に普遍的です。」

ヤン氏は、最初にこのアプローチを考え始めたのは、使用していた画像の一部がぼやけているマテリアルのデータを研究していたときであり、画像内の欠落したデータの「空白を埋める」ことがどのようにできるだろうかと疑問に思った、と述べています。ぼやけた領域。 「この失われた情報を回復するにはどうすればよいでしょうか?」 彼は不思議に思いました。 さらに読んでみると、これは逆問題として知られる、失われた情報を回復しようとする広範囲に及ぶ問題の一例であることがわかりました。

このメソッドの開発には、モデルに予備予測を行わせ、それを問題の材料に関する実際のデータと比較し、その情報と一致するようにモデルをさらに微調整するという反復プロセスが含まれていました。 結果として得られたモデルは、材料が真の内部特性を計算できるほど十分に理解されているケースに対してテストされ、新しい方法の予測はそれらの計算された特性とよく一致しました。

トレーニング データには、表面の画像だけでなく、応力、電界、磁界などの表面特性の他のさまざまな種類の測定値も含まれています。 多くの場合、研究者は、特定の材料の基礎となる構造の理解に基づいてシミュレートされたデータを使用しました。 また、新しい材料に多くの未知の特性がある場合でも、この方法は、さらなる測定をどのように追求するかに関する一般的な方向性をエンジニアに提供するのに十分な近似値を生成できます。

この方法論がどのように適用されるかの一例として、ビューラー氏は、今日では航空機全体を検査するのは非現実的であるため、X 線などの高価な方法を使用していくつかの代表的な領域を検査することによって航空機を検査することが多いと指摘しています。 「これは異なるアプローチであり、はるかに安価な方法でデータを収集し、予測を行うことができます」とビューラー氏は言います。 「そこから、どこを調べたいかを決めることができ、より高価な機器を使ってテストすることもできます。」

まず、Web サイト GitHub を通じて誰でも無料で利用できるようになっているこの方法は、主に研究室環境、たとえばソフト ロボティクス アプリケーションに使用される材料のテストに適用されると同氏は予想しています。

このような材料については、「表面上のものは測定できますが、材料の内部で何が起こっているのかはわかりません。なぜなら、材料はヒドロゲル、タンパク質、アクチュエーター用の生体材料で作られており、理論がないからです。」そのために。 したがって、これは研究者が私たちの技術を使用して内部で何が起こっているかを予測し、より優れたグリッパーやより優れた複合材料を設計できる可能性がある分野です」と彼は付け加えました。

参考文献: 「Fill in the Blank: Transferrable Deep Learning Approaches to Recover Missing Physical Field Information」（Zhenze Yang および Markus J. Buehler 著、2023 年 3 月 19 日） 先端材料。
DOI: 10.1002/adma.202301449

この研究は、米国陸軍研究局、空軍科学研究局、GoogleCloud プラットフォーム、および MIT Quest for Intelligence によって支援されました。