Sistema di deep-learning esplora l’interno dei materiali dall’esterno.

A deep-learning system explores materials from the outside.

Un nuovo metodo potrebbe fornire informazioni dettagliate sulle strutture interne, sui vuoti e sulle crepe, basandosi esclusivamente sui dati sulle condizioni esterne.

A machine-learning method developed at MIT detects internal structures, voids, and cracks inside a material, based on data about the material’s surface. On the top left cube, the missing fields are represented as a gray box. Researchers then leverage an AI model to fill in the blank (center). Then, the geometries of composite microstructures are identified based on the complete field maps using another AI model (bottom right).

Magari non riesci a giudicare un libro dalla copertina, ma secondo i ricercatori del MIT ora potresti essere in grado di fare lo stesso per i materiali di ogni tipo, da una parte di un aeroplano a un impianto medico. Il loro nuovo approccio consente agli ingegneri di capire cosa sta accadendo all’interno semplicemente osservando le proprietà della superficie del materiale.

Il team ha utilizzato un tipo di apprendimento automatico noto come apprendimento profondo per confrontare un grande insieme di dati simulati sui campi di forza esterni dei materiali e la corrispondente struttura interna, e ha utilizzato ciò per generare un sistema che potesse fare previsioni affidabili dell’interno a partire dai dati di superficie.

I risultati verranno pubblicati sulla rivista Advanced Materials, in un articolo dello studente di dottorato Zhenze Yang e del professore di ingegneria civile e ambientale Markus Buehler.

“È un problema molto comune nell’ingegneria”, spiega Buehler. “Se hai un pezzo di materiale – magari è una porta di una macchina o una parte di un aeroplano – e vuoi sapere cosa c’è dentro quel materiale, potresti misurare le tensioni sulla superficie scattando immagini e calcolando quanto deformato è. Ma non puoi proprio guardare all’interno del materiale. L’unico modo per farlo è tagliarlo e poi guardare all’interno e vedere se c’è qualche tipo di danno.”

È anche possibile utilizzare i raggi X e altre tecniche, ma queste tendono ad essere costose e richiedono attrezzature ingombranti, dice. “Quindi, quello che abbiamo fatto è essenzialmente chiederci: possiamo sviluppare un algoritmo di intelligenza artificiale che possa guardare a ciò che sta accadendo sulla superficie, che possiamo vedere facilmente sia usando un microscopio o scattando una foto, o forse solo misurando le cose sulla superficie del materiale, e poi cercare di capire cosa sta realmente accadendo all’interno?” Quelle informazioni interne potrebbero includere eventuali danni, crepe o tensioni nel materiale, o dettagli della sua microstruttura interna.

Le stesse domande possono applicarsi anche ai tessuti biologici, aggiunge. “C’è una malattia lì dentro, o qualche tipo di crescita o cambiamento nel tessuto?” Lo scopo era sviluppare un sistema che potesse rispondere a queste domande in modo completamente non invasivo.

Raggiungere questo obiettivo ha comportato l’affrontare complessità tra cui il fatto che “molti di questi problemi hanno soluzioni multiple”, dice Buehler. Ad esempio, molte diverse configurazioni interne potrebbero presentare le stesse proprietà di superficie. Per gestire quell’ambiguità, “abbiamo creato metodi che possono darci tutte le possibilità, tutte le opzioni, fondamentalmente, che potrebbero risultare in questo particolare scenario [di superficie]”.

La tecnica che hanno sviluppato ha coinvolto l’addestramento di un modello di intelligenza artificiale utilizzando grandi quantità di dati sulle misurazioni di superficie e le proprietà interne ad esse associate. Questo ha incluso non solo materiali uniformi, ma anche quelli con diversi materiali in combinazione. “Alcuni nuovi aeroplani sono fatti di compositi, quindi hanno design deliberati di avere diverse fasi”, dice Buehler. “E naturalmente, anche in biologia, qualsiasi tipo di materiale biologico sarà composto da componenti multiple e avrà proprietà molto diverse, come nell’osso, dove hai proteine molto morbide, e poi hai sostanze minerali molto rigide.”

La tecnica funziona anche per i materiali la cui complessità non è completamente compresa, dice. “Con il tessuto biologico complesso, non capiamo esattamente come si comporta, ma possiamo misurare il comportamento. Non abbiamo una teoria per questo, ma se abbiamo abbastanza dati raccolti, possiamo addestrare il modello.”

Yang dice che il metodo che hanno sviluppato è ampiamente applicabile. “Non è limitato solo a problemi di meccanica dei solidi, ma può essere applicato anche a diverse discipline dell’ingegneria, come la dinamica dei fluidi e altri tipi.” Buehler aggiunge che può essere applicato alla determinazione di una varietà di proprietà, non solo stress e tensione, ma anche campi fluidi o magnetici, ad esempio i campi magnetici all’interno di un reattore a fusione. È “molto universale, non solo per materiali diversi, ma anche per diverse discipline”.

Yang dice di aver iniziato a pensare a questo approccio quando stava studiando i dati su un materiale in cui parte dell’immagine che stava utilizzando era sfocata, e si chiedeva come fosse possibile “riempire il vuoto” dei dati mancanti nell’area sfocata. “Come possiamo recuperare queste informazioni mancanti?” si chiedeva. Leggendo ulteriormente, ha scoperto che questo era un esempio di un problema diffuso, noto come problema inverso, di cercare di recuperare informazioni mancanti.

Sviluppare il metodo ha comportato un processo iterativo, avendo il modello fare previsioni preliminari, confrontando ciò con i dati effettivi sul materiale in questione, quindi affinando ulteriormente il modello per abbinare quelle informazioni. Il modello risultante è stato testato contro casi in cui i materiali sono sufficientemente compresi per poter calcolare le vere proprietà interne, e le previsioni del nuovo metodo si sono abbinati bene a quelle proprietà calcolate.

I dati di addestramento includevano immagini delle superfici, ma anche vari tipi di misurazioni delle proprietà delle superfici, tra cui stress e campi elettrici e magnetici. In molti casi, i ricercatori hanno utilizzato dati simulati basati sulla comprensione della struttura sottostante di un dato materiale. E anche quando un nuovo materiale ha molte caratteristiche sconosciute, il metodo può comunque generare un’approximazione sufficientemente buona per fornire indicazioni agli ingegneri su una direzione generale su come procedere ulteriormente con le misurazioni.

Come esempio di come questa metodologia potrebbe essere applicata, Buehler fa notare che oggi gli aerei vengono spesso ispezionati testando alcune aree rappresentative con metodi costosi come i raggi X perché sarebbe impraticabile testare l’intero aeroplano. “Questo è un approccio diverso, in cui hai un modo molto meno costoso per raccogliere dati e fare previsioni”, dice Buehler. “Da questo puoi poi prendere decisioni su dove vuoi guardare e magari usare attrezzature più costose per testarlo”.

Per iniziare, si prevede che questo metodo, che viene reso liberamente disponibile per chiunque lo voglia utilizzare attraverso il sito web GitHub, venga principalmente applicato in ambiente di laboratorio, ad esempio nel test di materiali utilizzati per applicazioni di robotica morbida.

Per tali materiali, dice, “possiamo misurare le cose sulla superficie, ma non abbiamo idea di ciò che sta accadendo molte volte all’interno del materiale, perché è fatto di un idrogel o proteine o biomateriali per attuatori e non c’è una teoria per quello. Quindi, quella è un’area in cui i ricercatori potrebbero utilizzare la nostra tecnica per fare previsioni su ciò che sta accadendo all’interno e forse progettare migliori pinze o compositi”, aggiunge.

La ricerca è stata supportata dall’Ufficio di Ricerca dell’Esercito degli Stati Uniti, dall’Ufficio di Ricerca Scientifica dell’Aeronautica degli Stati Uniti, dalla piattaforma GoogleCloud e dal MIT Quest for Intelligence.