10月14日訊，賓夕法尼亞州利哈伊大學(xué)的研究人員開(kāi)發(fā)了一種基于機(jī)器學(xué)習(xí)的新型方法，可以根據(jù)結(jié)構(gòu)相似性對(duì)材料組進(jìn)行分類。在該團(tuán)隊(duì)認(rèn)為是同類研究中的第一項(xiàng)研究中，人工神經(jīng)網(wǎng)絡(luò)被用于識(shí)別包含超過(guò) 25,000 幅材料顯微圖像的龐大數(shù)據(jù)庫(kù)中的結(jié)構(gòu)相似性和趨勢(shì)。該技術(shù)可用于發(fā)現(xiàn)新材料開(kāi)發(fā)之間的研究，甚至可以關(guān)聯(lián)結(jié)構(gòu)和屬性等因素，從而可能為 3D 打印等領(lǐng)域提供一種新的計(jì)算材料開(kāi)發(fā)方法。

該研究的主要作者 Joshua Agar 描述了該模型檢測(cè)結(jié)構(gòu)對(duì)稱性的能力如何成為該項(xiàng)目成功的基石。他說(shuō)：“我們工作的一個(gè)新穎之處在于，我們構(gòu)建了一個(gè)特殊的神經(jīng)網(wǎng)絡(luò)來(lái)理解對(duì)稱性，并將其用作特征提取器，使其更好地理解圖像。”

神經(jīng)網(wǎng)絡(luò)的圖示顯示了來(lái)自超過(guò) 25,000 個(gè)壓電響應(yīng)力顯微鏡圖像的數(shù)據(jù)庫(kù)的對(duì)稱性圖像相似性。

圖片來(lái)自利哈伊大學(xué)。

結(jié)構(gòu)與性能的關(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(gè)關(guān)鍵目標(biāo)。盡管如此，由于結(jié)構(gòu)的復(fù)雜性，目前還沒(méi)有廣泛使用的指標(biāo)來(lái)可靠地確定材料的結(jié)構(gòu)將如何影響其性能。隨著機(jī)器學(xué)習(xí)技術(shù)的興起，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)證明自己是這一應(yīng)用的潛在工具，但 Agar 仍然認(rèn)為有兩個(gè)主要挑戰(zhàn)需要克服。

首先，材料研究實(shí)驗(yàn)產(chǎn)生的絕大多數(shù)數(shù)據(jù)從未被機(jī)器學(xué)習(xí)模型分析過(guò)。這是因?yàn)樯傻慕Y(jié)果（通常以顯微成像的形式）很少以結(jié)構(gòu)化和可用的方式存儲(chǔ)。結(jié)果也往往不會(huì)在實(shí)驗(yàn)室之間共享，當(dāng)然也沒(méi)有可以輕松訪問(wèn)的集中式數(shù)據(jù)庫(kù)。這是一般材料研究中的一個(gè)問(wèn)題，但由于更大的利基市場(chǎng)，在增材制造領(lǐng)域更是如此。

第二個(gè)問(wèn)題是，神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)如何識(shí)別結(jié)構(gòu)對(duì)稱性和周期性——材料結(jié)構(gòu)的周期性方面并不是很有效。由于這兩個(gè)特征對(duì)材料研究人員來(lái)說(shuō)至關(guān)重要，因此使用神經(jīng)網(wǎng)絡(luò)直到現(xiàn)在都面臨著巨大的挑戰(zhàn)。

通過(guò)機(jī)器學(xué)習(xí)進(jìn)行相似性預(yù)測(cè)

Lehigh 的新型神經(jīng)網(wǎng)絡(luò)旨在解決 Agar 所描述的兩個(gè)問(wèn)題。除了能夠理解對(duì)稱性之外，該模型還能夠搜索非結(jié)構(gòu)化圖像數(shù)據(jù)庫(kù)，以識(shí)別圖像之間的趨勢(shì)和投影相似性。它通過(guò)采用稱為統(tǒng)一流形近似和投影 (UMAP) 的非線性降維技術(shù)來(lái)實(shí)現(xiàn)。

Agar 解釋說(shuō)，這種方法使團(tuán)隊(duì)更容易消化數(shù)據(jù)的更高級(jí)別結(jié)構(gòu)：“如果你訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)，結(jié)果是一個(gè)向量，或者一組數(shù)字，它是特征的緊湊描述符。這些特征有助于對(duì)事物進(jìn)行分類，以便學(xué)習(xí)一些相似性。然而，所產(chǎn)生的空間仍然相當(dāng)大，因?yàn)槟憧赡苡?512 個(gè)或更多不同的特征。所以，你想把它壓縮成一個(gè)人類可以理解的空間，比如 2D 或 3D?！?/span>

Lehigh 團(tuán)隊(duì)訓(xùn)練了該模型以包含對(duì)稱感知特征，并將其用于一組非結(jié)構(gòu)化的 25,133 幅壓電響應(yīng)力顯微鏡圖像，這些圖像在加州大學(xué)伯克利分校的五年時(shí)間里收集。因此，他們能夠根據(jù)結(jié)構(gòu)成功地將相似的材料組合在一起，為更好地理解結(jié)構(gòu)-性能關(guān)系鋪平了道路。最終，這項(xiàng)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，可以加速增材制造和更廣泛的材料社區(qū)的材料開(kāi)發(fā)研究。

使用自然圖像和對(duì)稱感知特征的 UMAP 投影的比較。圖片來(lái)自利哈伊大學(xué)。

點(diǎn)評(píng)：機(jī)器學(xué)習(xí)的預(yù)測(cè)能力真正開(kāi)始用于增材制造的許多方面。 來(lái)自阿貢國(guó)家實(shí)驗(yàn)室和德克薩斯農(nóng)工大學(xué)的研究人員此前開(kāi)發(fā)了一種創(chuàng)新方法來(lái)檢測(cè) 3D 打印部件的缺陷。 使用實(shí)時(shí)溫度數(shù)據(jù)和機(jī)器學(xué)習(xí)算法，科學(xué)家們能夠在熱歷史和地下缺陷的形成之間建立關(guān)聯(lián)。

在其他地方，在商業(yè)領(lǐng)域，工程公司雷尼紹與 3D 打印機(jī)器人專家 Additive Automations 合作，為金屬 3D 打印部件開(kāi)發(fā)基于深度學(xué)習(xí)的后處理技術(shù)。 該合作伙伴關(guān)系涉及使用協(xié)作機(jī)器人（cobots）和深度學(xué)習(xí)算法，以自動(dòng)檢測(cè)和移除整個(gè)支撐結(jié)構(gòu)。

來(lái)源：https://www.3ddayin.net/xinwenpindao/guowaikuaidi/41078.html