A pessoa que está olhando para trás na tela do computador pode não existir de fato, graças à inteligência artificial (IA) capaz de gerar imagens convincentes, porém falsas, de rostos humanos. Agora, essa mesma tecnologia pode impulsionar a próxima onda de inovações em design de materiais, de acordo com cientistas da Penn State.
“Ouvimos muito sobre deepfakes nas notícias de hoje – IA que pode gerar imagens realistas de rostos humanos que não correspondem a pessoas reais”, disse Wesley Reinhart, professor assistente de ciência e engenharia de materiais e do Instituto de Ciências Computacionais e de Dados co-locação, na Penn State. “Essa é exatamente a mesma tecnologia que usamos em nossa pesquisa. Basicamente, estamos apenas trocando este exemplo de imagens de rostos humanos por composições elementares de ligas de alto desempenho.”
Os cientistas treinaram uma rede adversária generativa (GAN) para criar novas ligas refratárias de alta entropia, materiais que podem suportar temperaturas ultra-altas enquanto mantêm sua resistência e que são usados em tecnologia de pás de turbinas a foguetes.
“Existem muitas regras sobre o que faz uma imagem de um rosto humano ou o que faz uma liga metálica, e seria realmente difícil para você saber o que são todas essas regras ou escrevê-las à mão”, disse Reinhart. “Todo o princípio deste GAN é que você tem duas redes neurais que basicamente competem para aprender quais são essas regras e, em seguida, gerar exemplos que seguem as regras.”
A equipe vasculhou centenas de exemplos publicados de ligas para criar um conjunto de dados de treinamento. A rede apresenta um gerador que cria novas composições e um crítico que tenta discernir se elas parecem realistas em comparação com o conjunto de dados de treinamento. Se o gerador for bem-sucedido, ele será capaz de fazer ligas que o crítico acredita serem reais e, à medida que esse jogo adversário continua ao longo de muitas iterações, o modelo melhora, disseram os cientistas.
Após esse treinamento, os cientistas pediram que o modelo se concentrasse na criação de composições de ligas com propriedades específicas que seriam ideais para uso em lâminas de turbinas.
“Nossos resultados preliminares mostram que os modelos generativos podem aprender relacionamentos complexos para gerar novidades sob demanda”, disse Zi-Kui Liu, Professora Dorothy Pate Enright de Ciência e Engenharia de Materiais na Penn State. “Isso é fenomenal. É realmente o que está faltando em nossa comunidade computacional na ciência dos materiais em geral.”
O design tradicional ou racional se baseou na intuição humana para encontrar padrões e melhorar os materiais, mas isso se tornou cada vez mais desafiador à medida que a química e o processamento dos materiais se tornam mais complexos, disseram os pesquisadores.
“Quando você está lidando com problemas de design, geralmente tem dezenas ou mesmo centenas de variáveis que você pode alterar”, disse Reinhart. “Seu cérebro não está programado para pensar em um espaço de 100 dimensões; você nem consegue visualizá-lo. Então, uma coisa que essa tecnologia faz por nós é comprimi-lo e nos mostrar padrões que possamos entender. Precisamos de ferramentas como isso para ser capaz de resolver o problema. Simplesmente não podemos fazer isso pela força bruta. ”
Os cientistas disseram que suas descobertas, publicadas recentemente no Journal of Materials Informatics, mostram progresso em direção ao design inverso de ligas.
“Com o design racional, você precisa passar por cada uma dessas etapas, uma de cada vez; fazer simulações, verificar tabelas, consultar outros especialistas”, disse Reinhart. “O design inverso é basicamente tratado por este modelo estatístico. Você pode solicitar um material com propriedades definidas e obter 100 ou 1.000 composições que podem ser adequadas em milissegundos.”
O modelo não é perfeito, entretanto, e suas estimativas ainda devem ser validadas com simulações de alta fidelidade, mas os cientistas disseram que ele elimina as suposições e oferece uma ferramenta nova e promissora para determinar quais materiais tentar.
Publicado em 10/11/2021 18h54
Artigo original:
Estudo original: