A kutatók mesterséges intelligenciát (MI) alkalmaztak innovatív nanomaterálisok létrehozására, amelyek ötvözik a szénacél erejét a hungarocell könnyűségével. Ezek az újonnan kifejlesztett nanomaterálisok, amelyeket gépi tanulási technikák és 3D nyomtatás révén állítottak elő, több mint kétszeresére növelték a korábban létező tervek szilárdságát. A kutatásban részt vevő tudósok arra figyelmeztettek, hogy ezek az anyagok erősebb, könnyebb és üzemanyag-hatékonyabb autó és repülőgép alkatrészek kifejlesztéséhez vezethetnek. Eredményeik január 23-án jelentek meg az Advanced Materials folyóiratban. Tobin Filleter, a Torontói Egyetem mérnöki professzora és a tanulmány társszerzője optimistán nyilatkozott, kijelentve: "Reméljük, hogy ezek az új anyagtervek végül ultra-könnyű alkatrészeket eredményeznek az űripar számára, mint például repülőgépek, helikopterek és űrhajók, ezáltal csökkentve az üzemanyag-fogyasztást repülés közben, miközben biztosítjuk a biztonságot és a teljesítményt. Ez jelentősen csökkentheti a légi közlekedés környezeti hatását. " Sok anyagnál az erő elérése gyakran a tartósság rovására megy. Például egy kerámia étkező tányér általában elég erős ahhoz, hogy nehéz tárgyakat tartson, de merevsége gyakran törékenységhez vezet, így hajlamos arra, hogy minimális erőhatásra is összetörjön. Ez a kihívás a nano-architektúrájú anyagokra is vonatkozik, amelyek számtalan apró, ismétlődő építőelem alkotják, amelyek átmérője egy emberi haj szélességének századrésze.

Bár ezek az anyagok kivételes erőt kínálnak a súlyukhoz képest, stresszpontok kialakulását is eredményezhetik, ami hirtelen meghibásodásokhoz vezethet. Ez a törésre való hajlam eddig korlátozta a gyakorlati alkalmazásukat. Peter Serles, a Caltech mérnöki kutatója és az első szerző megjegyezte: "Amikor ezen a kérdésen töprengtem, egyértelművé vált, hogy ez egy ideális probléma a gépi tanulás számára. " A kutatók különböző geometriákat szimuláltak a nanomaterálisok javított tervezéséhez, majd ezeket egy gépi tanulási algoritmus segítségével elemezték. Az algorítmus, amelyet az előállított tervek tájékoztattak, képes volt megjósolni az optimális formákat, amelyek hatékonyan eloszthatták az alkalmazott stresszt, miközben jelentős terheléseket viseltek. Miután véglegesítették ezeket a terveket, a kutatók egy 3D nyomtatót használtak az új nanohálók előállításához. Felfedték, hogy ezek a struktúrák 2, 03 megapascalt képesek elviselni köbméterenként kilogrammonként — ez ötszöröse a titán erejének. "Ez az első alkalom, hogy gépi tanulást alkalmazunk nano-architektúrájú anyagok optimalizálására, és lenyűgöztek az elért előrelépések" — osztotta meg Serles. "Az algoritmus nem cs