Enlace estructura-propiedad en aleaciones utilizando red neuronal de gráficos y inteligencia artificial explicable

Área de la Ciencia:

• Ciencias de los materiales
• Ciencias de los materiales computacionales
• Inteligencia artificial en los materiales

Sus antecedentes:

• El aprendizaje profundo acelera la ciencia de los materiales al predecir las relaciones microestructura-propiedad.
• Las redes neuronales de convolución (CNN) pueden analizar microestructuras 3D, pero exigen recursos extensos.
• Existen limitaciones en las CNNs con respecto al tamaño de la red y el tiempo de entrenamiento para análisis de materiales complejos.

Objetivo del estudio:

• Entrenar y evaluar una red neuronal de gráficos (GNN) para predecir las propiedades mecánicas de las aleaciones de Ni-Al.
• Comparar la eficiencia y la interpretabilidad de las GNN con las CNN para el análisis de la microestructura.
• Aprovechar la IA explicable para una comprensión más profunda de la predicción de propiedades materiales.

Principales métodos:

• Microestructuras de aleación de Ni-Al generadas mediante el modelado de campo de fase.
• Entrenó una red neuronal de gráficos (GNN) en estas microestructuras para predecir la evolución de las propiedades mecánicas.
• Se utilizó el análisis de saliencia y la inferencia bayesiana para la interpretabilidad del modelo y la determinación de parámetros.

Principales resultados:

• El GNN predijo con precisión el fortalecimiento de la aleación a través de diferentes tamaños y dimensiones de la microestructura.
• GNN demostró un rendimiento superior en comparación con las CNN, que requieren menos utilización de la GPU.
• Las herramientas de IA explicables proporcionaron información interpretable sobre las predicciones de GNN.

Conclusiones:

• Las GNN ofrecen un método preciso, eficiente e interpretable para extraer información de las microestructuras de los materiales.
• Las GNN superan las limitaciones de las CNN con respecto al tamaño de la microestructura y las restricciones dimensionales.
• Este enfoque avanza en la predicción de las propiedades de los materiales y mejora la comprensión a través de la IA explicable.