Využití neuronových sítí ve vědě o materiálech a metalurgii

Neuronové sítě. Dnes, když pocovidový svět vstupuje do třetího desetiletí 21. století, je globální technologický rozvoj stále více závislý na schopnosti vytvářet nové materiály a věda o materiálech se stává klíčovou otázkou spojující vědu a vývoj. To platí prakticky pro každou průmyslovou oblast – od nejmenších elektronických součástek přes lékařské a vojenské aplikace až po letecký průmysl. Schopnost vyrábět a aplikovat správný materiál často tvoří hranici mezi obchodním úspěchem a neúspěchem.

Věda o materiálech sahá až do doby bronzové, ale systematický materiálový výzkum byl poprvé popsán teprve v 16. století („De re metallica libri XII“ od Georgia Agricoly je dílo, které bylo po několik století považováno za bibli metalurgie). Až donedávna se věda o materiálech spoléhala pouze na empirický výzkum. Vše se změnilo s příchodem teoretického modelování pomocí numerických metod. Buďme upřímní, počítačové aplikace se používají v biologii, astronomii, financích, medicíně a byznysu, takže věda o materiálech nemohla být oborem, který by tato revoluce ignorovala.

Vývoj nových materiálů se specifickými vlastnostmi, vysokou odolností nebo pevností pro konkrétní průmyslová použití vyžaduje značné úsilí v oblasti výzkumu. Možnost předpovědět vlastnosti daného materiálu ještě před jeho syntézou může mít enormní technologickou hodnotu a umožní optimalizaci materiálu nebo dokonce způsobu budoucí recyklace. Zní to trochu jako fantasy příběh, že? Nikoliv.

Většina moderních materiálů se v přirozeném prostředí nevyskytuje. Kovy jsou rafinované, legované přísadami, míchané a kombinované s dalšími prvky za účelem zlepšení jejich mechanických nebo chemických vlastností. Schopnost předpovídat mechanické vlastnosti nové slitiny je velmi důležitou záležitostí pro vědce i inženýry. Díky tomu je možné ušetřit čas a peníze. Vzhledem ke složitosti vztahu mezi chemickými sloučeninami a vlastnostmi slitin se však může ukázat, že takové předpovědi jsou pro klasické numerické metody příliš komplikované, a proto je používání neuronových sítí pro tento účel v posledních letech stále populárnější.

Neuronové sítě – architektura

Neuronové sítě ve své struktuře připomínají lidský mozek a napodobují způsob řešení problémů podobným způsobem, jaký se odehrává v našich hlavách. Výsledkem je, že síť je schopna provádět výpočty (provádět úkol, který jí byl předložen) mnohem rychleji než nejrychlejší digitální počítač. Mozek je tvořen desítkami miliard jednotlivých strukturních složek (neuronů), které jsou vzájemně propojeny a vytvářejí komplexní síť. Proces učení spočívá ve změně a úpravě synaptických spojení mezi každou složkou. Umělá neuronová síť (ang. artificial neural network – ANN) pracuje na podobném principu – její provoz je založen na výpočtu váženého průměru jednotlivých spojení, a tedy stanovení síly excitace každého z neuronů. Neuron, kterému byly přiřazeny vyšší váhy, má odpovídajícím způsobem větší podíl na určování váženého průměru pro další vrstvu neuronů než ten, kterému jsou přiřazeny nižší váhy. Tyto váhy ovlivňují další vrstvu a předávají zpracované informace dále a dále až k výstupní vrstvě, která obsahuje výsledek. K aktivaci konkrétního neuronu, která ve skutečnosti produkuje výstupní signál, se používá přenosová (aktivační) funkce. V závislosti na typu dat a způsobu použití sítě je k dispozici široká škála aktivačních funkcí, např. V 90. letech populární sigmoidální funkce se používají v situacích, kdy lze obětovat efektivitu učení a chceme získat rychlý provoz již naučené sítě.

Stručně řečeno, dobře nakonfigurovaná a trénovaná síť může snadno provádět úkoly, jako je rozpoznávání a klasifikace tvarů nebo seskupování dat – což je extrémně komplikované pro klasické počítačové algoritmy využívající numerické metody. Jak fungují neuronové sítě

Neuronové sítě se používají k provádění distribuovaného paralelního zpracování dat, což znamená, že informace jsou zpracovávány v celém systému. Proces učení je přirozenou a nepostradatelnou funkcí neuronové sítě – informace se v neuronové síti zaznamenávají pomocí síly spojení jednotlivých neuronů. Spojení vedoucí ke správným odpovědím jsou posílena a spojení vedoucí k nesprávným odpovědím oslabena. To se děje iterativně při prezentaci problému a analýze jeho správných odpovědí. Taková data se nazývají tréninková datová sada. Na druhé straně je sada testovacích dat sadou pro testování úrovně síťového učení.

• sběr dat,
• počáteční zpracování shromážděných údajů,
• učení neuronové sítě,
• testování neuronové sítě,
• prediktivní simulace pomocí trénované a testované neuronové sítě.

Optimální chemické složení slitiny a její vlastnosti

Neuronové sítě jsou obecně nejlepším nástrojem pro analýzu dat, která obsahují neznámé vzájemné vztahy. Představte si například využití neuronové sítě k nalezení vztahu mezi množstvím přidaných legujících prvků v hliníkové slitině a vlastnostmi této slitiny. Každý prvek a jeho množství přispívá ke specifické vlastnosti slitiny, např. elektrická nebo tepelná vodivost, odolnost proti korozi, tepelná roztažnost, teplota tání nebo tvrdost. A právě tvrdost hraje v tomto případě důležitou roli, protože díky ní lze určit další vlastnosti materiálu, např. pevnost, tažnost nebo odolnost proti oděru.

Ve výše uvedeném příkladu musí sada vstupních dat zahrnovat procentuální podíl jednotlivých legujících prvků na celé slitině a empiricky prokázanou houževnatost dané slitiny. Tento údaj je vzorkem (cílovou hodnotou). Poté se data náhodně rozdělují na tréninková a testovací, např. v poměru 75 % k 25 % – ale tyto hodnoty se mohou lišit dle množství dostupných dat . Pokud je k dispozici velké množství dat, podíl testovacích dat může být vyšší, což může mít dopad na zlepšení přesnosti učení. Před první iterací síť náhodně nastavuje váhy mezi všemi neurony, které pak generují předběžný výsledek. V dalším kroku jsou výsledky porovnány s očekávanými výsledky (vzorkem) a celková chyba sítě je určena pomocí chybové funkce. Nejpopulárnějším přístupem k interpolaci chybové funkce je metoda nejmenších čtverců, díky níž je síť schopna měnit (snižovat nebo zvyšovat) váhy na základě velikosti chyby na jednotlivých výstupních neuronech. Tento proces se nazývá zpětná propagace a je klíčovým krokem při učení sítě pod dohledem.

Datová sada znovu projde opravenými vahami a výsledek se porovná s očekávanými hodnotami (metoda učení s učitelem, ang. supervised learning), zkontroluje a spočítá se chyba a pomocí zpětného šíření se váhy aktualizují – soubor těchto činností se nazývá epocha. Proces učení může skončit po splnění určitých podmínek – po provedení určitého počtu epoch (iterací), po dosažení dané úrovně chyb nebo když úroveň chyb zůstane nezměněna.

Stojí za to věnovat pozornost problému souvisejícímu s učením – chyba je minimalizována ne pro celou síť, ale pro soubor testovacích dat, což může vést k tzv. přetížení sítě. Zajištění adekvátního množství vstupních dat a správného zarovnání sítě může minimalizovat pravděpodobnost přetížení.

Výsledkem je, že proškolená neuronová síť dokáže předpovědět, jaké množství a jaké legující prvky by měly být použity k vytvoření slitiny s požadovanými vlastnostmi – bez nutnosti pracného a nákladného vytváření materiálu a následného testování, a to vše na základě údajů, které již máme.

Neuronové sítě a svařování

Neuronové sítě se také používají při svařování, a to při kontrole kvality svaru a jeho přijetí nebo odmítnutí. Data shromážděná ze senzorů ve svařovací hlavě jsou analyzována školenou sítí, která při řízení procesu svařování okamžitě informuje o odchylkách od kvality svaru nebo o jakýchkoli vnitřních vadách materiálu. Ačkoliv neuronové sítě byly využívány při svařování již počátkem 90. let, tento proces se od té doby příliš nezměnil.

Shrnutí

Vzhledem k tomu, že neuronové sítě nejsou jen módním rozmarem jedné sezony a objevují se stále rychleji v novějších aplikacích, je třeba doufat, že jejich použití se brzy stane samozřejmostí a nikoli pouze experimentem. Umělá inteligence se na rozdíl od fantastických a katastrofických vizí, které nám nabízí Hollywood, stane užitečným a nepostradatelným pomocníkem ve všech nejdůležitějších oblastech vědy a techniky.

Pozostałe wpisy