Čínští vědci vyvinuli grafovou metodu pro automatické odvozování konstitutivních rovnic materiálů

Výzkumníci z Východního institutu technologie (EIT) v čínském Ningbo vyvinuli novou metodu, která dokáže automaticky odvozovat konstitutivní rovnice popisující chování materiálů. Podle studie zveřejněné v časopise Science Advances jde o přístup založený na grafové reprezentaci dat, jenž má překonat dosavadní empirické modely v přesnosti předpovědí a zároveň zachovat srozumitelnost výsledných matematických vztahů.

Konstitutivní rovnice jsou v materiálovém inženýrství klíčovým nástrojem – popisují, jak se materiál chová při zatížení, deformaci nebo změnách teploty, a tvoří základ pro simulace a navrhování konstrukcí v celé řadě průmyslových odvětví. Tradičně se tyto rovnice odvozují na základě experimentálních pozorování a fyzikální intuice výzkumníků, což je proces časově náročný a často omezený lidskou schopností rozpoznat komplexní vzorce ve velkém množství dat.

Nový grafový přístup vyvinutý týmem z EIT tento proces automatizuje. Metoda pracuje s daty jako se strukturovanými grafy, což umožňuje systematicky prohledávat prostor možných matematických formulací a identifikovat ty, které nejlépe odpovídají naměřeným datům. Na rozdíl od řady jiných metod strojového učení používaných v materiálovém výzkumu si tento přístup zachovává explicitní a fyzikálně interpretovatelné matematické formulace – tedy takové, jimž mohou vědci a inženýři skutečně porozumět a ověřit jejich fyzikální smysluplnost, namísto neprůhledných modelů typu „černé skříňky“.

Tým metodu otestoval na třech odlišných typech materiálů: slitinách ocelí, lithiu a plněných gumách. Jde o materiály s velmi rozdílnými mechanickými vlastnostmi a chováním – oceli se využívají zejména ve strojírenství a stavebnictví, lithium hraje klíčovou roli v bateriových technologiích a plněné gumy nacházejí uplatnění například v pneumatikách či těsnicích prvcích. Právě rozmanitost testovaných materiálů měla podle autorů prokázat univerzálnost navrženého přístupu.

Ve všech třech případech metoda podle publikovaných výsledků překonala běžně používané empirické modely v prediktivní přesnosti. To znamená, že rovnice objevené pomocí grafového přístupu dokázaly lépe předpovídat skutečné chování materiálů než vzorce, které se v praxi standardně používají a jsou často odvozeny zjednodušujícími předpoklady nebo empirickým přizpůsobením konkrétním experimentálním datům.

Výhoda automatizovaného objevování konstitutivních modelů spočívá především v rychlosti a škálovatelnosti procesu. Zatímco tradiční odvozování rovnic vyžaduje hluboké znalosti fyziky konkrétního materiálu a mnohdy i roky výzkumu, algoritmický přístup dokáže prohledat mnohem širší prostor možných formulací a nalézt řešení, která by lidský badatel nemusel vůbec zvážit. Zachování interpretovatelnosti přitom znamená, že výsledné modely nejsou pouze statistickým fitováním dat, ale odrážejí skutečné fyzikální principy, což usnadňuje jejich validaci i další využití v inženýrské praxi.

Výzkum zapadá do širšího trendu, kdy se metody umělé inteligence a strojového učení stále více uplatňují ve vědeckém objevování, včetně oblastí jako je materiálová věda, chemie nebo fyzika. Cílem podobných přístupů je urychlit vývoj nových materiálů a zlepšit přesnost predikcí jejich chování, aniž by se rezignovalo na fyzikální srozumitelnost výsledků – tedy schopnost vědců pochopit, proč model funguje tak, jak funguje.

Autoři studie naznačují, že metoda by mohla najít uplatnění při vývoji nových materiálů pro průmyslové aplikace, kde přesné modelování mechanického chování hraje zásadní roli, například při návrhu konstrukčních prvků, bateriových článků nebo pryžových komponent vystavených opakovanému namáhání. Otevřenou otázkou zůstává, jak dobře se přístup uplatní u dalších tříd materiálů a zda bude možné jej rozšířit i na komplexnější, vícefázové materiálové systémy, což by mohlo být předmětem navazujícího výzkumu týmu z EIT Ningbo.