Ученые ПНИПУ развивают моделирование с применением нейросетей

Специалисты Пермского национального исследовательского политехнического университета используют продвинутые генеративно-состязательные сети в моделировании структур с оптимизированными физико-механическими свойствами. Результаты открывают новые возможности создания современных пористых структур для применения в высокотехнологичных отраслях промышленности.

Одна из насущных проблем современной промышленности — необходимость в материалах с зачастую противоречащими свойствами. Например, может потребоваться имплантат с пористой структурой для прорастания живых тканей и в то же время высокой прочностью для сопротивления механическим нагрузкам, либо лопатка турбины с максимальной жаропрочностью, но минимальной массой.

Ключ к решению таких задач кроется во внутренней архитектуре материала — его микроструктуре, однако проектирование оптимальной трехмерной структуры вручную сталкивается с фундаментальной сложностью: количество возможных комбинаций и взаимосвязей между элементами настолько велико, что их анализ традиционными методами становится крайне трудоемким и длительным процессом.

Современные подходы к решению этой проблемы основаны на компьютерном моделировании, но и они имеют существенные ограничения. Наиболее распространенный метод — топологическая оптимизация — работает по принципу разумного упрощения. Компьютер анализирует виртуальную модель детали, которая изначально представляет собой сплошной массив материала, и вычисляет, в каких областях напряжение минимально. Эти зоны считаются избыточными — подобно тому, как архитектор может убрать лишние перегородки в здании, не снижая его прочности. Система постепенно удаляет такой материал, оставляя только те элементы, которые действительно необходимы для сопротивления нагрузкам.

Такой подход позволяет получать надежные конструкции, но требует огромных вычислительных мощностей и времени для каждого нового случая. Более современные методы используют базы данных известных материалов и алгоритмы машинного обучения, которые ищут закономерности в уже существующих структурах, однако такие системы могут предлагать лишь вариации известных решений, не создавая принципиально новых материалов с уникальными свойствами.

Большинство методов работают с двумерными моделями или требуют огромных вычислительных мощностей. Кроме того, они часто генерируют структуры с нарушенной целостностью, например с «висящими» элементами, которые невозможно воспроизвести в реальности.

Перспективным направлением в решении этих проблем являются генеративно-состязательные сети (GAN) — особая архитектура искусственного интеллекта, где две нейросети работают вместе, словно дизайнер и критик. Одна нейросеть (генератор) предлагает новые варианты структур, а вторая (дискриминатор) оценивает, насколько они реалистичны. В результате совместной работы система учится создавать все более совершенные структуры.

Ученые Пермского политеха усовершенствовали этот метод, впервые адаптировав трехмерную версию известной архитектуры StyleGAN2, сообщает пресс-служба вуза. Если раньше подобные системы работали в основном с плоскими изображениями, то теперь алгоритм научился генерировать сложные объемные структуры. Ключевое достижение — создание не просто случайных вариаций, а целого «пространства дизайна», где можно плавно менять параметры и получать работоспособные структуры.

Ученые провели первичное обучение нейросети на библиотеке из пяти тысяч моделей пористых материалов — одних из самых сложных в проектировании. В процессе нейросеть проанализировала и усвоила фундаментальные принципы их построения — распределение твердых и пустотных областей, варианты соединения внутренних элементов и типичные особенности. Этот этап позволил искусственному интеллекту сформировать базовое понимание внутренней архитектуры образцов.

Для нахождения наилучших решений применяется генетический алгоритм, работающий по принципу естественного отбора. Он последовательно анализирует варианты строений материалов, оценивая их по целевым параметрам — прочности и плотности.

«На этом этапе формируется набор структур, в которых невозможно одновременно улучшить оба показателя: если мы пытаемся увеличить прочность, неизбежно возрастает плотность, и наоборот. Такие результаты считаются предпочтительными, поскольку они предлагают наилучшие возможные компромиссы между противоречивыми требованиями», — рассказал заведующий научно-исследовательской лабораторией механики биосовместимых материалов и устройств ПНИПУ Михаил Ташкинов.

«Наша нейросеть не просто копирует или смешивает известные образцы, а действительно изобретает. Главное, она делает это не хаотично. Все созданные варианты система автоматически раскладывает как бы по полочкам — в упорядоченное цифровое пространство, где похожие структуры находятся рядом. Это позволяет легко находить и сравнивать разные решения, что раньше было практически невозможно», — рассказал инженер-исследователь Евгений Кононов.

Опыты продемонстрировали высокую эффективность метода: разработанная система смогла создать трехмерные микроструктуры, которые превзошли по характеристикам материалы из обучающей базы данных. При одинаковой плотности новые конструкции демонстрируют увеличение жесткости на пятнадцать-двадцать процентов в сравнении с существующими аналогами.

Доклад научной команды опубликован в журнале Structural and Multidisciplinary Optimization.

А у вас есть интересные новости? Поделитесь с нами своими разработками, и мы расскажем о них всему миру! Ждем ваши идеи по адресу news@3Dtoday.ru