10月14日讯，宾夕法尼亚州利哈伊大学的研究人员开发了一种基于机器学习的新型方法，可以根据结构相似性对材料组进行分类。在该团队认为是同类研究中的第一项研究中，人工神经网络被用于识别包含超过 25,000 幅材料显微图像的庞大数据库中的结构相似性和趋势。该技术可用于发现新材料开发之间的研究，甚至可以关联结构和属性等因素，从而可能为 3D 打印等领域提供一种新的计算材料开发方法。
该研究的主要作者 Joshua Agar 描述了该模型检测结构对称性的能力如何成为该项目成功的基石。他说：“我们工作的一个新颖之处在于，我们构建了一个特殊的神经网络来理解对称性，并将其用作特征提取器，使其更好地理解图像。”
神经网络的图示显示了来自超过 25,000 个压电响应力显微镜图像的数据库的对称性图像相似性。
图片来自利哈伊大学。
结构与性能的关系
在材料研究中，了解材料的结构如何影响其性能是一个关键目标。尽管如此，由于结构的复杂性，目前还没有广泛使用的指标来可靠地确定材料的结构将如何影响其性能。随着机器学习技术的兴起，人工神经网络已经证明自己是这一应用的潜在工具，但 Agar 仍然认为有两个主要挑战需要克服。
首先，材料研究实验产生的绝大多数数据从未被机器学习模型分析过。这是因为生成的结果（通常以显微成像的形式）很少以结构化和可用的方式存储。结果也往往不会在实验室之间共享，当然也没有可以轻松访问的集中式数据库。这是一般材料研究中的一个问题，但由于更大的利基市场，在增材制造领域更是如此。
第二个问题是，神经网络在学习如何识别结构对称性和周期性——材料结构的周期性方面并不是很有效。由于这两个特征对材料研究人员来说至关重要，因此使用神经网络直到现在都面临着巨大的挑战。
通过机器学习进行相似性预测
Lehigh 的新型神经网络旨在解决 Agar 所描述的两个问题。除了能够理解对称性之外，该模型还能够搜索非结构化图像数据库，以识别图像之间的趋势和投影相似性。它通过采用称为统一流形近似和投影 (UMAP) 的非线性降维技术来实现。
Agar 解释说，这种方法使团队更容易消化数据的更高级别结构：“如果你训练一个神经网络，结果是一个向量，或者一组数字，它是特征的紧凑描述符。这些特征有助于对事物进行分类，以便学习一些相似性。然而，所产生的空间仍然相当大，因为你可能有 512 个或更多不同的特征。所以，你想把它压缩成一个人类可以理解的空间，比如 2D 或 3D。”
Lehigh 团队训练了该模型以包含对称感知特征，并将其用于一组非结构化的 25,133 幅压电响应力显微镜图像，这些图像在加州大学伯克利分校的五年时间里收集。因此，他们能够根据结构成功地将相似的材料组合在一起，为更好地理解结构-性能关系铺平了道路。最终，这项工作展示了神经网络如何与更好的数据管理相结合，可以加速增材制造和更广泛的材料社区的材料开发研究。
使用自然图像和对称感知特征的 UMAP 投影的比较。图片来自利哈伊大学。
点评：机器学习的预测能力真正开始用于增材制造的许多方面。 来自阿贡国家实验室和德克萨斯农工大学的研究人员此前开发了一种创新方法来检测 3D 打印部件的缺陷。 使用实时温度数据和机器学习算法，科学家们能够在热历史和地下缺陷的形成之间建立关联。
在其他地方，在商业领域，工程公司雷尼绍与 3D 打印机器人专家 Additive Automations 合作，为金属 3D 打印部件开发基于深度学习的后处理技术。 该合作伙伴关系涉及使用协作机器人（cobots）和深度学习算法，以自动检测和移除整个支撑结构。