X射线CT数据的拓扑分析，用于材料老化过程中识别其微观结构变化及变化趋势。 （图片来源：劳伦斯利弗莫尔国家实验室）

劳伦斯利弗莫尔国家实验室的科学家通过使用人工智能技术分析材料的微观结构，朝着未来材料性能改善的设计方向迈进了一步。

这项研究成果最近在《计算材料科学》（Computational Materials Science）期刊的网站上发表。

材料科学应用方面的技术进步涵盖电子、生物医学、替代能源、电解液、催化剂设计等领域，但由于对底层材料微观结构与设备性能之间的复杂关系了解欠缺，这一进展常常受到阻碍。但是人工智能驱动的数据分析提供了机会，以易处理的数学方法阐明加工性能相关性，可以加速材料设计和优化过程。

人造神经网络基础上“深度学习”方法的最新进展，彻底改变了利用原始数据本身发现这种复杂关系的过程。然而，要稳定训练大型网络，就需要成千上万个样本数据，不幸的是，新系统和新应用通常难以承受样本制备和数据收集的成本。在这种情况下，需要创新算法从原始实验表征数据中提取最合适的“特征”或“描述符”。

例如，高聚物粘结炸药构成了重要的材料体系，其三维两相微结构：（1）变化极大取决于高能粒子形态和尺寸分布、粘合剂含量、溶剂/搅拌速率、压力、温度等加工参数；（2）在不同环境条件下，随着长期材料老化而演变；（3）性能表现随样品微观结构和寿命的函数变化。

虽然可以使用多个时间点的X射线CT扫描对每个三维微观结构进行无损成像，但数据收集过程既耗时又昂贵，（因此）通常把样本数量限制在几百个。如何最大利用这些有限的数据来揭示任何过程-微观结构-性能相关性，量化长期老化趋势，从微观角度深入了解基于物理的模拟代码，并设计性能改善的未来材料，是所面临的挑战。

由LLNL材料科学家、LLNL和犹他大学的数据可视化科学家组成的团队使用标量场拓扑和莫尔斯理论（Morse theory）中近期发展方法，从原始X射线CT数据中提取有用的总结性特征，如“晶粒数”和“内边界表面积”。

随后使用各种统计学机器学习技术对这些特征变量进行分析，从而使团队能够：（1）客观区分加工差异所导致的不同微观结构；（2）系统跟踪老化后的微观结构演变；（3）建立与微观结构相关的性能模型。

第一作者阿米特什·迈蒂（Amitesh Maiti）表示：“随着以人工智能启发性数据为中心的研究日益受到重视，我们建立模型和发现材料的模式正在迅速改变。进展速度和质量很大程度上取决于多团队合作，这些合作将互补的知识、技能融会贯通。”

用项目负责人理查德·吉（Richard Gee）的话来说：“这些方法的开发和应用为确认加工参数，发现老化对储备相关材料性能的复杂影响，提供了手段。由此产生的见解应当优化部件设计和预测长期老化引起的性能变化，这对改善监督措施具有重要价值。”

翻译：李雅婷

校对：董子晨曦

引进来源：劳伦斯利弗莫尔国家实验室（Lawrence Livermore National Laboratory, LLNL）

引进链接：https://phys.org/news/2020-05-ai-microstructure-aging-materials.html


关注【深圳科普】微信公众号，在对话框：
回复【最新活动】，了解近期科普活动
回复【科普行】，了解最新深圳科普行活动
回复【研学营】，了解最新科普研学营
回复【科普课堂】，了解最新科普课堂
回复【科普书籍】，了解最新科普书籍
回复【团体定制】，了解最新团体定制活动
回复【科普基地】，了解深圳科普基地详情
回复【观鸟知识】，学习观鸟相关科普知识
回复【博物学院】，了解更多博物学院活动详情