KI-Modell entwirft fehlerresistente Metamaterialien mit komplexer Funktion.

Ein von der University of California, Berkeley, entwickeltes AI-gestütztes Framework namens GraphMetaMat ermöglicht es, Metamaterialien mit komplexer Funktionalität und Defekttoleranz zu entwerfen. Das System generiert Metamaterial-Entwürfe, die als Graphen dargestellt werden, und passt sie an spezifische Fertigungsverfahren wie 3D-Druck an. Es berücksichtigt dabei nicht nur die gewünschten mechanischen Eigenschaften, sondern auch mögliche Fertigungsfehler. In ihrer Studie, die in „Nature Machine Intelligence“ veröffentlicht wurde, zeigen die Forscher, wie GraphMetaMat tiefes Lernen einsetzt, um die Lücke zwischen theoretischem Design und praktischer Herstellung zu schließen. Xiaoyu (Rayne) Zheng, Professor für Materialwissenschaften und Ingenieurwesen und Leiter der Studie, betont, dass bisherige AI-Methoden in der Materialentwicklung meist idealisierte Designs erzeugt haben, die nicht immer in der Praxis funktionieren. GraphMetaMat hingegen erzeugt realistische Entwürfe, die für Fertigungsverfahren optimiert sind und Defekte tolerieren. Dies könnte die Entwicklung von Materialien mit maßgeschneiderten Eigenschaften revolutionieren. Traditionelle Entwurfsmethoden wie Topologie-Optimierung oder intuitives Iterieren sind gut für einfache mechanische Reaktionen, aber weniger effizient bei komplexen, nichtlinearen Eigenschaften, wie sie in Schutzmaterialien benötigt werden. Um dieses Problem zu lösen, kombinierten Zheng und sein Team verschiedene Techniken des maschinellen Lernens, darunter Verstärkendes Lernen, Nachahmungslernen, Surrogatmodelle und Monte-Carlo-Baum-Suche, in GraphMetaMat. Marco Maurizi, Postdoktorand und Erstautor der Studie, erklärt, dass Benutzer mit GraphMetaMat Metamaterialien aus dem Nichts entwerfen können, indem sie beispielsweise eine gewünschte Spannungs-Dehnungs-Kurve oder spezifische Schwingungsdämpfungsfrequenzen eingeben. Das AI-System fügt dann Schritt für Schritt Graphenknoten und -kanten hinzu, um die Struktur und das Design zu definieren. Ein besonderes Merkmal des Frameworks ist die Integration von Fertigungs- und Defektkonstrukten in das Design. Zheng betont, dass dies eine Schlüsselinnovation ist, da es sicherstellt, dass die Materialien auch bei kleineren Fertigungsfehlern nicht versagen. In einem Proof-of-Concept-Experiment konnten die Forscher leichte Truss-Metamaterialien entwerfen, die in der Energieabsorption und Schwingungsdämpfung besser abschnitten als konventionelle Materialien wie polymerische Schaumstoffe oder Phononik-Kristalle. Industrielle Anwendungen wie Autobumper, Flugzeugteile oder medizinische Implantate profitieren von solchen Materialien, da sie leicht, stark und gleichzeitig anpassbar sind. GraphMetaMat könnte die Zukunft der Materialentwicklung prägen, indem es die Automatisierung von Fertigungs- und Defekttoleranz-optimierten Materialien ermöglicht. Bewertung und Hintergrund: Die Forscher betonen, dass GraphMetaMat ein Patentantrag eingereicht hat und potenziell in der Industrie große Auswirkungen haben könnte. Der Ansatz kombiniert KI mit Fertigungstechnologien, was eine neue Generation von Materialien ermöglicht. Zhengs Team ist in der Materialwissenschaft an der UC Berkeley tätig, wo sie sich auf innovative Designmethoden spezialisiert haben. Das Framework zeigt, wie KI in der Materialentwicklung praktisch angewandt werden kann, um nicht nur Leistung, sondern auch Zuverlässigkeit zu verbessern.