Antara Kamera Inframerah Dan Kecerdasan Buatan – Merebus bukan hanya untuk menghangatkan makan malam. Ini juga untuk mendinginkan segalanya.
Mengubah cairan menjadi gas menghilangkan energi dari permukaan yang panas, dan menjaga segala sesuatu mulai dari pembangkit listrik tenaga nuklir hingga chip komputer yang kuat dari panas berlebih. Tetapi ketika permukaan menjadi terlalu panas, mereka mungkin mengalami apa yang disebut krisis mendidih. playsbo
Dalam krisis mendidih, gelembung terbentuk dengan cepat, dan sebelum mereka terlepas dari permukaan yang dipanaskan, mereka saling menempel, membentuk lapisan uap yang mengisolasi permukaan dari cairan pendingin di atasnya. Suhu naik lebih cepat dan dapat menyebabkan bencana.
Operator ingin memprediksi kegagalan seperti itu, dan penelitian baru menawarkan wawasan tentang fenomena tersebut menggunakan kamera inframerah berkecepatan tinggi dan pembelajaran mesin.
Matteo Bucci, Norman C. Rasmussen Asisten Profesor Ilmu Nuklir dan Teknik di MIT, memimpin pekerjaan baru, diterbitkan 23 Juni di Applied Physics Letters.
Dalam penelitian sebelumnya, timnya menghabiskan hampir lima tahun mengembangkan teknik di mana pembelajaran mesin dapat merampingkan pemrosesan gambar yang relevan.
Dalam pengaturan eksperimental untuk kedua proyek, pemanas transparan sepanjang 2 sentimeter berada di bawah bak air. Sebuah kamera inframerah berada di bawah pemanas, menunjuk ke atas dan merekam pada 2.500 frame per detik dengan resolusi sekitar 0,1 milimeter.
Sebelumnya, orang yang mempelajari video harus menghitung gelembung secara manual dan mengukur karakteristiknya, tetapi Bucci melatih jaringan saraf untuk melakukan tugas tersebut, memotong proses tiga minggu menjadi sekitar lima detik.
“Kemudian kami berkata, “Mari kita lihat apakah selain hanya memproses data, kita benar-benar dapat mempelajari sesuatu dari kecerdasan buatan,” kata Bucci.
Tujuannya adalah untuk memperkirakan seberapa dekat air itu dengan krisis mendidih. Sistem melihat 17 faktor yang disediakan oleh AI pemrosesan gambar: “kepadatan situs nukleasi” (jumlah situs per satuan luas tempat gelembung tumbuh secara teratur di permukaan yang dipanaskan), serta, untuk setiap bingkai video, rata-rata inframerah radiasi di situs tersebut dan 15 statistik lainnya tentang distribusi radiasi di sekitar situs tersebut, termasuk bagaimana mereka berubah dari waktu ke waktu.
Menemukan formula yang secara manual menimbang semua faktor tersebut akan menghadirkan tantangan yang menakutkan. Tapi “kecerdasan buatan tidak dibatasi oleh kecepatan atau kapasitas penanganan data otak kita,” kata Bucci. Lebih lanjut, “pembelajaran mesin tidak bias” oleh hipotesis kami sebelumnya tentang mendidih.
Untuk mengumpulkan data, mereka merebus air pada permukaan indium timah oksida, dengan sendirinya atau dengan salah satu dari tiga lapisan: daun nano oksida tembaga, kawat nano seng oksida, atau lapisan nanopartikel silikon dioksida.
Mereka melatih jaringan saraf pada 85 persen data dari tiga permukaan pertama, kemudian mengujinya pada 15 persen data dari kondisi tersebut ditambah data dari permukaan keempat, untuk melihat seberapa baik hal itu dapat digeneralisasi ke kondisi baru.
Menurut satu metrik, itu 96 persen akurat, meskipun belum dilatih di semua permukaan. “Model kami tidak hanya menghafal fitur,” kata Bucci. “Itu masalah khas dalam pembelajaran mesin. Kami mampu mengekstrapolasi prediksi ke permukaan yang berbeda.”
Tim juga menemukan bahwa semua 17 faktor berkontribusi signifikan terhadap akurasi prediksi (meskipun beberapa lebih dari yang lain).
Selanjutnya, alih-alih memperlakukan model sebagai kotak hitam yang menggunakan 17 faktor dengan cara yang tidak diketahui, mereka mengidentifikasi tiga faktor perantara yang menjelaskan fenomena tersebut: kepadatan situs nukleasi, ukuran gelembung (yang dihitung dari delapan dari 17 faktor), dan produk waktu pertumbuhan dan frekuensi keberangkatan gelembung (yang dihitung dari 12 dari 17 faktor).
Bucci mengatakan model dalam literatur seringkali hanya menggunakan satu faktor, tetapi karya ini menunjukkan bahwa kita perlu mempertimbangkan banyak faktor, dan interaksinya. “Ini masalah besar.”
“Ini hebat,” kata Rishi Raj, seorang profesor di Institut Teknologi India di Patna, yang tidak terlibat dalam pekerjaan itu.
“Mendidih memiliki fisika yang begitu rumit.” Ini melibatkan setidaknya dua fase materi, dan banyak faktor yang berkontribusi pada sistem yang kacau.
“Hampir tidak mungkin, meskipun setidaknya 50 tahun penelitian ekstensif tentang topik ini, untuk mengembangkan model prediktif,” kata Raj. “Sangat masuk akal bagi kami alat baru pembelajaran mesin.”
Para peneliti telah memperdebatkan mekanisme di balik krisis mendidih. Apakah itu semata-mata hasil dari fenomena di permukaan pemanas, atau juga dari dinamika fluida yang jauh? Karya ini menunjukkan fenomena permukaan cukup untuk meramalkan acara tersebut.
Memprediksi kedekatan dengan krisis mendidih tidak hanya meningkatkan keamanan. Ini juga meningkatkan efisiensi.
Dengan memantau kondisi secara real-time, sistem dapat mendorong chip atau reaktor ke batasnya tanpa membatasinya atau membangun perangkat keras pendingin yang tidak perlu. Ini seperti Ferrari di trek, Bucci mengatakan: “Anda ingin melepaskan kekuatan mesin.”
Sementara itu, Bucci berharap untuk mengintegrasikan sistem diagnostiknya ke dalam feedback loop yang dapat mengontrol perpindahan panas, sehingga mengotomatisasi eksperimen di masa mendatang, memungkinkan sistem untuk menguji hipotesis dan mengumpulkan data baru.
“Idenya benar-benar untuk menekan tombol dan kembali ke lab setelah eksperimen selesai.” Apakah dia khawatir kehilangan pekerjaannya karena mesin? “Kami hanya akan menghabiskan lebih banyak waktu untuk berpikir, tidak melakukan operasi yang dapat diotomatisasi,” katanya. Bagaimanapun: “Ini tentang meningkatkan standar. Ini bukan tentang kehilangan pekerjaan.”…