机器学习可表征3D微观结构，从而显示出不同大小的晶粒及其边界。 （图片来源：阿贡国家实验室）
材料的现代科学研究在很大程度上依赖于探索原子和分子尺度的行为。因此，科学家们一直在寻找新的和改进的方法以在该尺度进行数据收集和材料分析。
位于能源部（Arge）国家实验室的美国能源部（DOE）科学用户设施办公室纳米级材料中心（CNM）的研究人员发明了一种基于机器学习的算法，该算法可在三个维度上对特征小至纳米级的材料进行定量表征。研究人员可以将这一关键发现应用于分析大多数行业都感兴趣的结构材料。
“我们的算法与众不同的是，即使是对微观结构基本不了解的材料，它将在几秒钟内告诉用户所有三个维度的确切微观结构，”CNM理论与建模小组负责人，芝加哥伊利诺伊大学机械与工业工程系副教授，Subramanian Sankaranarayanan表示。
CNM博士后研究员，该研究的主要作者Henry Chan说：“例如，通过我们的3-D工具分析的数据，用户可以检测各种结构材料的故障和裂纹，预测各种结构材料在不同应力和应变下的使用寿命。”
大多数结构材料是多晶的，这意味着用于分析目的的样品可能包含数百万个晶粒。这些晶粒的尺寸和分布以及样品中的空隙是重要的关键微观结构特征，对物质的物理，机械，光学，化学和热学性质有着重要影响。例如，这些知识对于发现具有所需特性的新材料非常重要，比如更坚固、更耐用的机器部件。
过去，科学家通过在许多2-D切片的微观尺度上拍摄快照，处理单个切片，然后将它们组合在一起以形成3-D图像，从而材料中的3-D微结构特征才能可视化。例如，在医院中执行计算机断层扫描程序就是这种情况。但是，该过程效率低下，并导致信息丢失。因此，研究人员一直在寻找更好的3-D分析方法。
CNM的助理科学家Mathew Cherukara说：“起初，我们考虑设计一种基于截距的算法，以搜索样品中众多晶粒之间的所有边界，直到在三个维度上绘制整个微观结构为止，但是你可以想象，面对数百万个晶粒，这是非常耗时且效率低下的。”
“我们的机器学习算法的优点在于，它使用无监督算法来处理边界问题，并以高效率产生高度准确的结果。”Chan说。结合降采样技术，仅需几秒钟即可处理大型3D样本并获得精确的微结构信息，这些信息具有很强的抗噪能力。”
该团队通过分析得到的几种不同金属（铝，铁，硅和钛）和软材料（聚合物和胶束）的数据并将其进行比较，成功地测试了该算法。这些数据来自较早发表的实验以及在两个美国能源部科学用户办公室，阿贡国家领导力计算设施和国家能源研究科学计算中心运行的计算机模拟。本研究还使用了阿贡实验室计算资源中心和CNM的碳簇。
Sankaranarayanan说：“对于使用我们工具的研究人员来说，主要优势不仅在于生成的3D图像令人印象深刻，更重要的是得到详细的表征数据。”“他们甚至可以在微观上实时定量地观察和跟踪微观结构的演变。”
机器学习算法不限于实体。该小组已将其扩展到具有重要能源、化学和生物应用的流体中分子簇分布的表征。
这种机器学习工具对未来从大型材料表征设施（例如高级光子源，在阿贡的科学用户设施办公室的另一个美国能源部）以及全球其他同步加速器获得数据的实时分析尤其有用。研究发表在《npj计算材料》（npj Computational Materials）杂志上。
作者：Joseph E. Harmon
翻译：曾欣欣
审校：董子晨曦
引进来源：阿贡国家实验室
京公网安备11010502039775号
