利好增材基礎(chǔ)領(lǐng)域，新型圖像機器學習技術(shù)改造材料開發(fā)

2021年10月13日，南極熊獲悉，來自賓夕法尼亞州利哈伊大學的研究人員開發(fā)了一種基于機器學習的新方法，根據(jù)結(jié)構(gòu)的相似性將各組材料分類在一起。

研究團隊認為這是一項開創(chuàng)性的研究，他們建立的人工神經(jīng)網(wǎng)絡(luò)能夠在一個龐大數(shù)據(jù)庫中識別相關(guān)材料結(jié)構(gòu)的相似性和趨勢，而這個數(shù)據(jù)庫涵蓋了超過25,000張材料微觀圖像。該技術(shù)可用于尋找新開發(fā)的材料之間以前未見過的聯(lián)系，甚至將結(jié)構(gòu)和性能等因素聯(lián)系起來，有可能為3D打印等行業(yè)帶來一種新的計算材料開發(fā)方法。

這項研究的主要作者Joshua Agar描述了該模型檢測結(jié)構(gòu)對稱性的能力如何成為項目成功的基石。他說："我們工作的一個創(chuàng)新之處在于，我們建立了一個特殊的神經(jīng)網(wǎng)絡(luò)來理解對稱性，我們將其作為特征提取器，使其在理解圖像方面做得更好"。

△顯示對稱性的圖像相似性的神經(jīng)網(wǎng)絡(luò)的插圖，來自一個超過25,000張壓電反應力顯微鏡圖像的數(shù)據(jù)庫。圖片來自利哈伊大學。

結(jié)構(gòu)和性能之間的關(guān)系

在材料研究中，了解材料的結(jié)構(gòu)如何影響其性能是一個關(guān)鍵目標。盡管如此，由于結(jié)構(gòu)的復雜性，目前還沒有廣泛使用的指標來可靠地確定一個材料的結(jié)構(gòu)將如何影響其屬性。隨著機器學習技術(shù)的興起，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)證明自己是這種應用的潛在工具，但Agar仍然認為有兩個主要挑戰(zhàn)需要克服。

首先是材料研究實驗產(chǎn)生的絕大部分數(shù)據(jù)從未被機器學習模型分析過。這是因為產(chǎn)生的結(jié)果，通常是以顯微鏡成像的形式，很少以結(jié)構(gòu)化和可用的方式存儲。結(jié)果也往往不會在實驗室之間共享，當然也沒有一個可以輕松訪問的集中式數(shù)據(jù)庫。這在一般的材料研究中是個問題，但在增材制造領(lǐng)域，由于其更大的利基性，更是如此。

第二個問題是，神經(jīng)網(wǎng)絡(luò)在學習如何識別結(jié)構(gòu)對稱性和周期性方面并不十分有效，例如解析材料結(jié)構(gòu)的周期性如何。由于這兩個特征對材料研究人員來說至關(guān)重要，所以直到現(xiàn)在，使用神經(jīng)網(wǎng)絡(luò)都是一個巨大的挑戰(zhàn)。

通過機器學習進行相似性推算

Lehigh的新型神經(jīng)網(wǎng)絡(luò)旨在解決Agar描述的這兩個問題。除了能夠理解對稱性之外，該模型還能夠搜索非結(jié)構(gòu)化的圖像數(shù)據(jù)庫，以確定趨勢并預測圖像之間的相似性。它是通過采用一種稱為 "統(tǒng)一面域逼近和投影"（UMAP）的非線性降維技術(shù)來實現(xiàn)的。

Agar解釋說，這種方法使數(shù)據(jù)的高層次結(jié)構(gòu)對團隊來說更容易消化。如果你訓練一個神經(jīng)網(wǎng)絡(luò)，其結(jié)果是一個向量，或一組數(shù)字，是一個緊湊的特征描述符。這些特征有助于對事物進行分類，這樣就能學到一些相似性。不過，產(chǎn)生的東西在空間上仍然相當大，因為你可能有512個或更多不同的特征。因此，你想把它壓縮到一個人類可以理解的空間，如二維或三維。

Lehigh團隊對模型進行了訓練，使其包括對稱性的特征，并將其用于加州大學伯克利分校五年來收集的25133張壓電反應力顯微鏡圖像的非結(jié)構(gòu)化集合。因此，他們能夠成功地根據(jù)結(jié)構(gòu)將類似的材料分組，為更好地理解結(jié)構(gòu)-性能關(guān)系鋪平道路。

最終，這項工作展示了神經(jīng)網(wǎng)絡(luò)如何與更好的數(shù)據(jù)管理相結(jié)合，可以加快增材制造和更廣泛的材料社區(qū)的材料開發(fā)研究。

△使用自然圖像和對稱性感知特征的UMAP-預測的比較。圖片來自利哈伊大學。

有關(guān)研究的進一步細節(jié)可以在題為 "‘Symmetry-aware recursive image similarity exploration for materialsmicroscopy "的論文中找到。

相關(guān)論文鏈接：https://www.nature.com/articles/s41524-021-00637-y#Abs1

機器學習的預測能力確實開始在增材制造的許多方面得到利用。來自阿貢國家實驗室和德克薩斯A&M大學的研究人員之前開發(fā)了一種創(chuàng)新的方法來檢測3D打印部件的缺陷。利用實時溫度數(shù)據(jù)，加上機器學習算法，科學家們能夠在熱歷史和次表面缺陷的形成之間建立起相關(guān)的聯(lián)系。

在商業(yè)領(lǐng)域，工程公司雷尼紹與3D打印機器人專家Additive Automations合作，為金屬3D打印零件開發(fā)基于深度學習的后處理技術(shù)。這項合作涉及到使用協(xié)作機器人（cobots），加上深度學習算法，自動檢測和移除整個支撐結(jié)構(gòu)。