Puede que Isaac Newton haya encontrado su pareja.

Durante siglos, los ingenieros se han basado en las leyes físicas -desarrolladas por Newton y otros- para entender las tensiones y deformaciones de los materiales con los que trabajan. Pero la resolución de esas ecuaciones puede suponer un gran esfuerzo informático, especialmente en el caso de materiales complejos.

Los investigadores del MIT han desarrollado una técnica para determinar rápidamente ciertas propiedades de un material, como la tensión y la deformación, basándose en una imagen del material que muestra su estructura interna. Este método podría eliminar algún día la necesidad de realizar arduos cálculos basados en la física y, en su lugar, basarse en la visión por ordenador y el aprendizaje automático para generar estimaciones en tiempo real.

Los investigadores afirman que este avance podría acelerar la creación de prototipos y la inspección de materiales. "Es un enfoque totalmente nuevo", dice Zhenze Yang, y añade que el algoritmo "completa todo el proceso sin ningún conocimiento de la física".

La investigación aparece hoy en la revista Science Advances. Yang es el autor principal del artículo y estudiante de doctorado en el Departamento de Ciencia e Ingeniería de los Materiales. Entre los coautores se encuentran Chi-Hua Yu, antiguo postdoctorado del MIT, y Markus Buehler, profesor de Ingeniería McAfee y director del Laboratorio de Mecánica Atomística y Molecular.

Los ingenieros pasan mucho tiempo resolviendo ecuaciones. Ayudan a revelar las fuerzas internas de un material, como la tensión y el esfuerzo, que pueden hacer que ese material se deforme o se rompa. Estos cálculos pueden sugerir cómo aguantaría un puente propuesto en medio de grandes cargas de tráfico o vientos fuertes. A diferencia de Sir Isaac, los ingenieros de hoy no necesitan lápiz y papel para esta tarea. "Muchas generaciones de matemáticos e ingenieros han escrito estas ecuaciones y luego han averiguado cómo resolverlas en los ordenadores", dice Buehler. "Pero sigue siendo un problema difícil. Es muy costoso: puede llevar días, semanas o incluso meses realizar algunas simulaciones. Así que pensamos: Enseñemos a una IA a hacer este problema por ti".

Los investigadores recurrieron a una técnica de aprendizaje automático llamada Red Neural Adversarial Generativa. Entrenaron la red con miles de imágenes emparejadas: una que representaba la microestructura interna de un material sometido a fuerzas mecánicas y otra que mostraba los valores de tensión y deformación codificados por colores de ese mismo material. Con estos ejemplos, la red utiliza los principios de la teoría de juegos para averiguar de forma iterativa las relaciones entre la geometría de un material y sus tensiones resultantes.

"Así, a partir de una imagen, el ordenador es capaz de predecir todas esas fuerzas: las deformaciones, las tensiones, etc.", dice Buehler. "Ese es realmente el avance: de forma convencional, habría que codificar las ecuaciones y pedir al ordenador que resolviera ecuaciones diferenciales parciales. Nosotros simplemente vamos imagen a imagen".

Esta visualización muestra el enfoque de aprendizaje profundo en la predicción de campos físicos dados diferentes geometrías de entrada. La figura de la izquierda muestra una geometría variable del compuesto en la que el material blando se está alargando, y la figura de la derecha muestra el campo mecánico predicho correspondiente a la geometría de la figura de la izquierda.

Este enfoque basado en la imagen es especialmente ventajoso para los materiales compuestos complejos. Las fuerzas que actúan sobre un material pueden ser diferentes a escala atómica que a escala macroscópica. "Si observamos un avión, podemos tener pegamento, un metal y un polímero en medio. Así que tienes todas estas caras diferentes y diferentes escalas que determinan la solución", dice Buehler. "Si vas por el camino difícil -el de Newton- tienes que dar un enorme rodeo para llegar a la respuesta".

Pero la red del investigador es experta en manejar múltiples escalas. Procesa la información mediante una serie de "convoluciones", que analizan las imágenes a escalas progresivamente mayores. "Por eso estas redes neuronales son muy adecuadas para describir las propiedades de los materiales", dice Buehler.

La red totalmente entrenada tuvo un buen rendimiento en las pruebas, ya que pudo representar con éxito los valores de tensión y deformación a partir de una serie de imágenes de primer plano de la microestructura de varios materiales compuestos blandos. La red fue incluso capaz de captar "singularidades", como las grietas que se producen en un material. En estos casos, las fuerzas y los campos cambian rápidamente a través de distancias minúsculas. "Como científico de materiales, uno querría saber si el modelo puede recrear esas singularidades", dice Buehler. "Y la respuesta es sí".

Este enfoque basado en la imagen es especialmente ventajoso para los materiales complejos y compuestos. Las fuerzas que actúan sobre un material pueden ser diferentes a escala atómica que a escala macroscópica. "Si miras un avión, puedes tener pegamento, un metal y un polímero en medio. Así que tienes todas estas caras diferentes y diferentes escalas que determinan la solución", dice Buehler. "Si vas por el camino difícil -el de Newton- tienes que dar un enorme rodeo para llegar a la respuesta".

Pero la red del investigador es experta en manejar múltiples escalas. Procesa la información mediante una serie de "convoluciones", que analizan las imágenes a escalas progresivamente mayores. "Por eso estas redes neuronales son muy adecuadas para describir las propiedades de los materiales", dice Buehler.

La red totalmente entrenada tuvo un buen rendimiento en las pruebas, ya que pudo representar con éxito los valores de tensión y deformación a partir de una serie de imágenes de primer plano de la microestructura de varios materiales compuestos blandos. La red fue incluso capaz de captar "singularidades", como las grietas que se producen en un material. En estos casos, las fuerzas y los campos cambian rápidamente a través de distancias minúsculas. "Como científico de materiales, uno querría saber si el modelo puede recrear esas singularidades", dice Buehler. "Y la respuesta es sí".

Esta visualización muestra el fallo simulado en un material complicado mediante un enfoque basado en el aprendizaje automático sin resolver las ecuaciones rectoras de la mecánica. El rojo representa un material blando, el blanco un material frágil y el verde una grieta.

El avance podría "reducir significativamente las iteraciones necesarias para diseñar productos", según Suvranu De, ingeniero mecánico del Instituto Politécnico Rensselaer que no participó en la investigación. "El enfoque integral propuesto en este trabajo tendrá un impacto significativo en una variedad de aplicaciones de ingeniería, desde los compuestos utilizados en las industrias de la automoción y la aviación hasta los biomateriales naturales y de ingeniería. También tendrá importantes aplicaciones en el ámbito de la investigación científica pura, ya que la fuerza desempeña un papel fundamental en una gama sorprendentemente amplia de aplicaciones, desde la micro/nanoelectrónica hasta la migración y diferenciación de las células."

Además de ahorrar tiempo y dinero a los ingenieros, la nueva técnica podría dar acceso a los cálculos de materiales más avanzados a personas no expertas. Los arquitectos o diseñadores de productos, por ejemplo, podrían probar la viabilidad de sus ideas antes de pasar el proyecto a un equipo de ingenieros. "Pueden dibujar su propuesta y averiguarlo", dice Buehler. "Eso es algo muy importante".

Una vez entrenada, la red se ejecuta casi instantáneamente en procesadores de ordenador de consumo. Eso podría permitir a los mecánicos e inspectores diagnosticar posibles problemas en la maquinaria con sólo hacer una foto.

En el nuevo artículo, los investigadores trabajaron principalmente con materiales compuestos que incluían componentes blandos y frágiles en una variedad de disposiciones geométricas aleatorias. En futuros trabajos, el equipo tiene previsto utilizar una gama más amplia de tipos de materiales. "Creo que este método va a tener un gran impacto", afirma Buehler. "Empoderar a los ingenieros con la IA es realmente lo que estamos tratando de hacer aquí".

La financiación de esta investigación fue proporcionada, en parte, por la Oficina de Investigación del Ejército y la Oficina de Investigación Naval.