Нейронные сети на службе физики: очередной грант учёных ЧелГУ поможет эффективнее работать с металлами

​Активно внедряемые в последнее время в мировой практике нейронные сети заинтересовали физиков Челябинского государственного университета, которые занимаются прогнозированием дефектов металлов. Они решили объединить эту технологию с традиционным методом описания с помощью решения дифференциальных уравнений.​​

«В последнее время я начал обращать внимание на увеличивающееся число работ с использованием нейронных сетей, – комментирует руководитель научного коллектива, заведующий кафедрой общей и прикладной физики Александр Майер. – Исследователи показывают, что они часто работают эффективнее, чем классические методы и модели, позволяя прогнозировать свойства материалов на основе обработки известных ситуаций. У меня самого отношение к нейронным сетям менялось от отрицания, что это ненаучный метод, заменяющий поиск логически обоснованных закономерностей неким суррогатом, к любопытству и стремлению опробовать его в своей области исследований. Сама по себе нейронная сеть и её обучение – это один из методов нахождения приближенной зависимости для имеющегося набора данных. После обучения можно надеяться, что для новых данных результат тоже будет правильным, но это не точно».

По словам наших учёных, обученная нейронная сеть – это в своём роде «черный ящик», поскольку вы чётко не знаете правил работы моделируемой ею системы и достоверности полученных данных. С другой стороны, это очень эффективный метод построения сложных зависимостей, когда их вид заранее неизвестен. В своих исследованиях команда Майера столкнулась с ситуациями, в которых зависимости сложные и не очевидные, возникла идея смоделировать их нейронными сетями и встроить в таком виде в разрабатываемые уравнения поведения материалов. Опыт оказался положительным.

Физики внесут в модель нейронные сети для прогнозирования возникновения в материале новых дефектов, а также роста существующих пор сложной формы. Такой подход сочетает анализ напряжённого состояния и предыстории нагружения на основе нейронных сетей для прогнозирования начала пластической деформации и разрушения, а также традиционные методы описания последующей эволюции дислокаций и пор на основе решения дифференциальных уравнений. В этом состоит отличие предлагаемого подхода от используемого в мировой практике, когда нейронная сеть сразу применяется для прогнозирования интегральных характеристик, таких как кривые напряжение-деформация или условия наступления макроскопического разрушения.

«Предлагаемая нами комбинация двух подходов объединит их преимущества, – пояснил Александр Майер. – Применение элементов физических моделей позволит получать больше информации, чем в случае использования нейронной сети сразу для прогнозирования интегральных характеристик. Можно будет отслеживать изменение дефектности и механических свойств в ходе и в результате нагружения. С другой стороны, применение нейронных сетей позволит учесть влияние дополнительных факторов (сложное напряжённое состояние, наличие и форма неоднородностей) при описании узких мест существующих физических моделей».

В течение трёх лет над исследованием будет работать коллектив из десяти человек, включая нескольких аспирантов и студентов. Все они являются сотрудниками кафедры общей и прикладной физики и уже работали по другим проектам в области исследования пластической деформации и разрушения металлов.​