استفاده از هوش مصنوعی برای کشف ریزساختارهای سخت

تهران – ایرنا – یک سیستم نوآورانه هوش مصنوعی از دانشگاه «ام آی تی» با ترکیب شبیه‌سازی و آزمایش فیزیکی، موادی با پایداری و انعطاف‌پذیری جدید برای کاربردهای مختلف مهندسی ایجاد کرده است.

به گزارش گروه علم و آموزش ایرنا از «ام آی تی نیوز»، هر بار که شما با خودروی خود از نقطه آ به نقطه ب می‌روید صرفا از راحتی خودرو لذت نمی‌برید بلکه از مهندسی پیچیده‌ای که خودرو را ایمن و قابل اعتماد کرده است بهره‌مند می‌شوید.

در ورای راحتی و خصوصیات ایمنی خودرو یک جنبه کمتر شناخته شده اما مهم و حیاتی وجود دارد که عبارت است از عملکرد مکانیکی مواد ریزساختاری که بطور کارشناسی بهینه‌سازی شده اند. این مواد که بخش مهم اما در عین حال ناشناخته است، چیزی است که خودرو را مستحکم و نیرومند می‌کند و پایداری و نیرو را در هر مسافرت تضمین می کند.

دانشمندان آزمایشگاه علوم رایانه و هوش مصنوعی دانشگاه «ام آی تی» در این باره فکر کرده اند. یک تیم از این محققان برای تولید موادی با عملکرد فوق‌العاده از طریق طراحی محاسباتی، از روش های سنتی آزمون و خطا فراتر رفته‌اند. سیستم جدید آنها آزمایش های فیزیکی را با شبیه‌سازی‌های مبتنی بر فیزیک و شبکه‌های عصبی یکپارچه‌سازی می‌کند تا مغایرت‌های موجود بین مدل‌های نظری و نتایج عملی را مدیریت کند.

یکی از مهمترین نتایج این آزمایش ها کشف کامپوزیت‌های ریزساختاری است که در همه چیز از خودرو تا هواپیما استفاده می‌شوند و با توازن بهینه سختی و مقاومت بسیار پایدارتر و محکم‌تر می شوند.

«بایشن لی» دانشجوی دکتری «ام آی تی» و محقق اصلی این پروژه می‌گوید: طراحی و ساخت کامپوزیت نقش اساسی در مهندسی دارد. پیامدهای کار تحقیقی ما بسیار فراتر از قلمرو مکانیک جامدات می‌بود. متدلوژی (روش شناسی) ما طرحی کلی برای یک طراحی محاسباتی فراهم می‌کند که می‌تواند با حوزه‌های مختلفی مانند شیمی پلمیر، دینامیک سیالات، هواشناسی (meteorology)‌ و حتی رباتیک سازگاری پیدا کند.

یکی نوآوری کلیدی در این رویکرد استفاده از شبکه‌های عصبی به عنوان مدل‌هایی برای شبیه‌سازی بود که زمان و منابع لازم برای طراحی مواد را کاهش داده است. با این وجود این تحقیقات بدون چالش‌های خاص خود نبوده است. «لی» مشکلات موجود در زمینه حفظ پایداری و ثبات در چاپ سه‌بعدی و یکپارچه‌سازی پیش‌بینی‌های شبکه‌های عصبی، شبیه‌سازی‌ها و آزمایش های جهان واقعی را مورد تاکید قرار داد. این تیم تحقیقاتی به عنوان گام‌های بعدی در نظر دارد این فرایند را کاربردی‌تر و ارتقاپذیر (scalable) بسازد.

اخبار مرتبط

نظر شما

شما در حال پاسخ به نظر «» هستید.
captcha