Модель серого ящика PyTorch позволяет моделировать свойства стекла и расплава.

Авторы: Шарль Ле Лоск, Эндрю Валентайн, Барбара Бальдони

Стекло окружает нас повсюду. Он пропускает свет в ваш дом, хранит вашу еду и напитки и украшает ваш дом. Это на экране, на который вы сейчас смотрите; в батареях следующего поколения или медицинских имплантатах; даже в вулканах. На самом деле, это один из самых важных материалов на нашей планете. Так важно, что Морс и Эвенсон предположили, что мы живем в Стеклянном веке. И, используя глубокое обучение с PyTorch, мы теперь можем лучше понимать стекло, чем когда-либо прежде.

Машинное обучение и дизайн стекла

Чтобы сделать стакан, вам нужно что-то расплавить, а затем очень быстро охладить. В расплавленной жидкости атомы неупорядочены и свободно перемещаются. Обычно процесс затвердевания включает реорганизацию атомов в регулярные структуры, известные как кристаллы, но если расплав охлаждается достаточно быстро, для этого не остается времени. В результате получается твердый материал, который по-прежнему имеет атомарную структуру жидкости: это то, что мы знаем как «стекло».

Не все стекла подходят для окон. Оказывается, физические свойства стекла зависят от химического состава расплавленной жидкости, с которой мы начали. Изменяя эту композицию, мы можем контролировать прочность и прозрачность стекла; как он реагирует на химические вещества; проводит ли он электричество. Если мы имеем в виду конкретное приложение — например, новый экран смартфона — мы можем разработать стекло, соответствующее нашим потребностям. Однако это всегда зависело от дорогостоящего и трудоемкого процесса экспериментов, проб и ошибок. Теперь машинное обучение обещает произвести революцию в дизайне стекла.

i-Melt: многозадачная модель серого ящика

В новой работе, опубликованной в журнале Geochemica et Cosmochimica Acta, мы представляем i-Melt — глубокую нейронную сеть, основанную на физике и химии, которая может точно предсказывать свойства стекла на основе состава расплава. i-Melt — это модель серого ящика: она включает в себя известные физические уравнения и термодинамические принципы наряду с изученными взаимосвязями, чтобы обеспечить значимые и реалистичные результаты. До сих пор мы сосредоточились на группе стекол, известных как алюмосиликаты (что означает, что их основными ингредиентами являются оксиды алюминия и кремния). Они очень распространены в различных природных и промышленных условиях. Мы обучаем i-Melt, используя базу данных экспериментальных наблюдений для различных составов, и получаем модель, которая может предсказывать широкий спектр свойств, включая вязкость расплава, плотность стекла и оптический показатель преломления, а также спектры комбинационного рассеяния стекла (а мера строения атома).

i-Melt создан с использованием PyTorch, и богатая гибкость и мощность платформы PyTorch являются неотъемлемой частью его успеха. Это упростило разработку моделей, сочетающих физические уравнения с машинным обучением, а также изучение и тестирование ряда различных подходов. Мы также воспользовались возможностью беспрепятственного переключения между вычислениями на базе GPU и CPU, что позволило нам использовать новый вычислительный кластер DANTE в IPGP — Парижском университете, оснащенный графическими процессорами A100 NVidia.

Оценка модели

Прототип i-Melt ориентирован на стекла, изготовленные из четырех ингредиентов: оксидов натрия, калия, алюминия и кремния (в частности, стекла Na₂O-K₂O-Al₂O₃-SiO₂). В рамках этой системы вязкость расплавленного стекла значительно варьируется (от -2 до 14 логарифмов Па·с), и i-Melt успешно предсказывает это с точностью выше 0,4 логарифмических единиц. Другие свойства также хорошо предсказуемы, в том числе температура, при которой расплав «замерзает» в стекло (температура стеклования; критерий среднеквадратичной ошибки: 19 K), плотность стекла (критерий среднеквадратичной ошибки: 0,02 г см⁻³) и оптическая преломляющая способность. индекс (тест RMSE: 0,006).

Случаи использования

i-Melt имеет широкий спектр потенциальных применений. Во-первых, его можно использовать для разработки материалов с особыми свойствами и оптимизации промышленных процессов. На самом деле, вы можете попробовать это сами, используя онлайн-интерфейс i-Melt на базе Streamlit или используя i-Melt как библиотеку. Например, возьмем стекло с 65 мол. % SiO₂, 10 мол. % Al₂O₃, 20 мол. % Na₂O и 5 мол. % K₂O и посмотрим, как изменятся его свойства, если заменить 3 мол. % Al₂O₃ на 3 мол. % K₂O:

Запуск кода показывает, что это небольшое изменение в составе практически не влияет на оптический показатель преломления, который определяет внешний вид стекла, или на его плотность. Однако это значительно снижает температуру, при которой можно обрабатывать стекло, что может позволить производителям снизить рабочую температуру своих печей примерно на 10 %. Это предлагает путь к существенной экономии как затрат на энергию, так и выбросов CO₂. Конечно, текущая версия i-Melt включает лишь небольшое количество «ингредиентов», но будущие разработки позволят нам производить расчеты для более сложных составов стекла (см. «Перспективы» ниже).

Мы также можем использовать i-Melt для понимания вулканов. Некоторые извержения вулканов носят взрывной характер, например, гора Сент-Хеленс (США) в 1980 году или гора Пинатубо (Филиппины) в 1991 году. Однако другие (включая извержения 2021 года на Ла-Пальме и в Исландии) являются «эффузивными»: они связаны с массивными потоками лавы. , но без взрывов. Оказывается, эта разница обусловлена ​​вязкостью (или текучестью) расплавленной породы. Когда вязкость низкая, лава легко течет, и любые газы, попавшие в расплавленную породу, могут легко выйти; если вязкость высока, пузырьки газа захватываются, пока в конце концов они не взорвутся.

Но вязкость сама по себе является загадкой: небольшие изменения в составе магмы оказывают непропорционально большое влияние на поведение расплава. Это особенно верно для магмы, извергнутой кремнистыми (или богатыми кремнием) супервулканами, такими как Йеллоустоун или Длинная долина, и i-Melt указывает нам на ответ. Наши результаты показывают, что по мере изменения состава кислой лавы их молекулярная структура претерпевает внезапные изменения, организуясь в сильно связанную сеть. Эта атомная связь делает магму более устойчивой к течению, и именно это создает скачкообразное изменение вязкости. Хотя для полного понимания происходящих здесь процессов требуется дополнительная работа, ученые, по крайней мере, теперь имеют представление о том, где искать.

Перспективы

После успешного подтверждения концепции мы расширяем i-Melt до более широкого диапазона составов, включая оксиды магния и кальция, которые важны как для вулканологии, так и для науки о стекле. Парижский институт разведки данных. Предварительные результаты будут представлены на заседании Американского союза геолого-геофизических исследований в декабре и предполагают, что показатели остаются хорошими. В дополнение к расширению меню ингредиентов мы надеемся, что сможем включить в наши прогнозы дополнительные физические свойства. Мы также надеемся использовать гибкость PyTorch для изучения других подходов к машинному обучению, таких как гауссовские процессы, используя возможности GPyTorch и Pyro.

Благодарности

Авторы благодарят Сэма Фарахзада, Ву Кима и Марка Саруфима (Facebook) за помощь в написании этого сообщения в блоге, а также Алин Пельтье (OVPF-IPGP) и Александра Фурнье (IPGP) за фотографии. Эта работа в настоящее время поддерживается Кафедрой передового опыта и diiP, IdEx Université Paris Cité, ANR-18-IDEX-0001; финансирование со стороны Австралийского исследовательского совета и Научного института Карнеги также признано.