GLI SCIENZIATI HANNO DECISO DI UTILIZZARE LA TECNOLOGIA AI DEI SOCIAL MEDIA PER OTTIMIZZARE LE PARTI PER LA STAMPA 3D
I ricercatori di ingegneria del Laboratorio nazionale Argonne del Dipartimento dell’energia (DoE) sono pronti a utilizzare le tecniche di intelligenza artificiale dei social media per ottimizzare meglio le geometrie delle parti stampate in 3D.
Mark Messner, un ingegnere meccanico principale di Argonne, è tra coloro che hanno inizialmente sviluppato il nuovo approccio nel 2019 , sostenendo che fosse un modo migliore per prevedere come i materiali potrebbero comportarsi a temperature e pressioni estreme. Sebbene gli attuali metodi di previsione basati sulla simulazione funzionino come previsto, spesso richiedono una potenza di elaborazione a livello di supercomputer (e molta pazienza) per prevedere con precisione come una geometria può comportarsi in determinate condizioni.
“Di solito dovresti eseguire tonnellate di simulazioni basate sulla fisica per risolvere questo problema”, ha affermato Messner.
Ciò è particolarmente vero se i ricercatori hanno già in mente un insieme specifico di proprietà, come rigidità, densità e resistenza, e desiderano determinare la struttura della parte ottimizzata di cui avrebbero bisogno per ottenere tali proprietà. Inteso come alternativa, secondo quanto riferito, il metodo Argonne è più di 2000 volte più veloce delle moderne simulazioni delle prestazioni delle parti ed è in grado di funzionare su un normale laptop con una GPU consumer.
Che ruolo hanno i social media?
Il lavoro di Messner può essere fatto risalire al suo tempo come ricercatore post-dottorato presso il Lawrence Livermore National Laboratory , dove lui e il suo team stavano cercando di stampare in 3D strutture complesse su scala micron. Secondo quanto riferito, i progressi del team sono stati lenti, quindi hanno guardato all’intelligenza artificiale per vedere se potevano accelerare la loro ricerca.
All’epoca, i titani in erba dei social media della Silicon Valley avevano iniziato a utilizzare le reti neurali convoluzionali, un tipo di intelligenza artificiale che trova modelli in grandi insiemi di dati, per scopi di riconoscimento facciale e di oggetti nelle immagini. Messner credeva di poter applicare questo concetto al regno 3D.
“La mia idea era che la struttura di un materiale non fosse diversa da un’immagine 3D”, spiega. “Ha senso che la versione 3D di questa rete neurale faccia un buon lavoro nel riconoscere le proprietà della struttura, proprio come una rete neurale apprende che un’immagine è un gatto o qualcos’altro. “
Per vedere se la sua idea avrebbe funzionato, Messner ha progettato una geometria 3D definita e ha utilizzato simulazioni convenzionali basate sulla fisica per creare un insieme di due milioni di punti dati. Ciascuno dei punti dati ha collegato la sua geometria ai valori “desiderati” di densità e rigidità. Quindi, ha inserito i punti dati in una rete neurale e l’ha addestrata a cercare le proprietà desiderate.
Infine, Messner ha utilizzato un algoritmo genetico, una classe di intelligenza artificiale iterativa basata sull’ottimizzazione, insieme alla rete neurale addestrata per determinare la struttura che avrebbe determinato le proprietà che cercava. Sorprendentemente, il suo approccio AI ha trovato la struttura corretta 2.760 volte più veloce della simulazione fisica convenzionale.
