研究人员利用新的基于图

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。

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。

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。