利好增材基礎領域，新型圖像機器學習技術改造材料開發(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)結構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網絡能夠在一個龐大數(shù)據(jù)庫中識別相關材料結構的相似性和趨勢，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，甚至將結構和性能等因素聯(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構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網絡來理解對稱性，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網絡的插圖，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。

結構和性能之間的關系

在材料研究中，了解材料的結構如何影響其性能是一個關鍵目標。盡管如此，由于結構的復雜性，目前還沒有廣泛使用的指標來可靠地確定一個材料的結構將如何影響其屬性。隨著機器學習技術的興起，人工神經網絡已經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。這是因為產生的結果，通常是以顯微鏡成像的形式，很少以結構化和可用的方式存儲。結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，但在增材制造領域，由于其更大的利基性，更是如此。

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

通過機器學習進行相似性推算

Lehigh的新型神經網絡旨在解決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構化的圖像數(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）的非線性降維技術來實現(xiàn)的。

Agar解釋說，這種方法使數(shù)據(jù)的高層次結構對團隊來說更容易消化。如果你訓練一個神經網絡，其結果是一個向量，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構化集合。因此，他們能夠成功地根據(jù)結構將類似的材料分組，為更好地理解結構-性能關系鋪平道路。

最終，這項工作展示了神經網絡如何與更好的數(shù)據(jù)管理相結合，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的聯(lián)系。

在商業(yè)領域，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。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構。