رویکرد نوآورانه می تواند محصولات روزمره با خواص مکانیکی جدید ایجاد کند.
متام مواد مانند زیره میانی کفش کتانی و سپر خودرو برای حمل بار یا مقاومت در برابر ضربه طراحی شده اند، اما طراحی این محصولات به گونه ای که انتظار می رود می تواند فرآیندی مستعد خطا باشد. در حال حاضر، مهندسان برکلی یک روش طراحی نوآورانه را توسعه داده‌اند که از هوش مصنوعی و تولید مواد افزودنی استفاده می‌کند تا اطمینان حاصل شود که عملکرد بهینه و رفتارهای هدف در این مواد تخصصی تعبیه شده است.
رایان ژینگ، محقق اصلی، دانشیار علم و مهندسی مواد گفت: “روش طراحی مبتنی بر یادگیری ماشین ما ایجاد سریع مواد با عملکرد و ویژگی‌های هدف تعیین‌شده توسط کاربر را امکان‌پذیر می‌سازد.” این رویکرد این امکان را برای هر کاربری فراهم می‌کند تا رفتارهای مکانیکی محصول مورد نظر خود را تعریف کند و سپس بقیه [کار] را به هوش مصنوعی و یک چاپگر سه بعدی بسپارد تا محصولی را که دقیقاً مطابق دلخواه رفتار می‌کند، تولید کند.»
محصولاتی مانند کلاه ایمنی، دستکش بوکس و سپر خودرو با منحنی های تنش-کرنش یا جابجایی نیرو طراحی شده اند که آنها را قادر می سازد در برابر نیرو و ضربه مقاومت کنند. این منحنی ها تاریخچه کامل تغییر شکل مواد را در هنگام بارگذاری ثبت می کنند و تمام اطلاعات مربوط به خواص مکانیکی آنها را نشان می دهند. اما، به گفته ژینگ، روش‌های طراحی فعلی تنها انتخاب محدودی از خواص مکانیکی را پوشش می‌دهند، و خواص مورد نظر به ندرت در مقادیر اندازه‌گیری شده به دلیل عدم قطعیت و خطا در فرآیند تولید منعکس می‌شوند.
با توجه به این چالش، محققان تصمیم گرفتند تا یک رویکرد مبتنی بر هوش مصنوعی برای طراحی مواد ایجاد کنند که فرآیند تکراری طراحی-تولید را دور بزند و در عین حال محصولی با رفتارهای مکانیکی دقیق ارائه دهد.
با این روش ، کاربر می‌تواند یک رفتار مکانیکی دلخواه را وارد کند که توسط یک منحنی توصیف شده است، و این داده‌ها سپس به کد یادگیری ماشین برای تولید یک طرح وارد می‌شوند – فرآیندی که تنها چند ثانیه طول می‌کشد. و هنگامی که این طرح به صورت سه بعدی پرینت شد، رفتار مکانیکی مورد نظر را تکرار خواهد کرد. “در حالی که هنوز در مراحل اولیه خود است، روش طراحی مبتنی بر یادگیری ماشین ما می تواند تقریباً هر نوع رفتار ماده ای را با دقت ۹۰٪ ایجاد کند.”
برای ایجاد رویکرد طراحی مبتنی بر هوش مصنوعی، محققان ابتدا باید یک چارچوب یادگیری ماشینی یکپارچه را توسعه و پیاده‌سازی کنند که از یک ماژول پیش‌بینی معکوس و یک ماژول اعتبار سنجی رو به جلو تشکیل شده است..
ژینگ و تیمش با استفاده از روش جدید خود، یک کفش میانی با جذب انرژی و سفتی مورد نیاز دوندگان ساختند. آنها همچنین پتانسیل استفاده از یادگیری ماشینی را برای طراحی ساختارهایی مانند سپر خودرو نشان دادند که مقدار زیادی انرژی برخورد را جذب می کند و میزان ضربه منتقل شده به بدن انسان را به حداقل می رساند.
ژینگ گفت: «روش طراحی مبتنی بر هوش مصنوعی ما رفتارهای مکانیکی ایجاد کرد که قبلاً وجود نداشتند، مانند موادی که دارای منحنی‌های تنش-کرنش حاوی ویژگی‌های پیشرفته، انحناها و اشکال با جذب انرژی متناسب هستند.» این کشف می‌تواند الگوی جدیدی را برای طراحی محصول و مواد ارائه دهد، الگویی که در آن ما دیگر محدود به مواد موجود در طبیعت نیستیم.
