最新机器学习工具对材料进行计算建模相结合

压痕技术经常被用于测试材料机械性能。随着纳米技术在过去二十年里的进步，压痕力可以测量到十亿分之一牛顿的分辨率，尖端的穿透深度可以被捕捉到只有纳米大小的分辨率，大约是人类头发直径的10万分之一。

高度精细的纳米压痕技术为探测各种材料（包括金属和合金、塑料、陶瓷和半导体）的物理特性提供了新的可能。

这种测试在广泛的工业应用领域中都很重要，包括在各种金属结构的传统和数字制造（3D打印）、工程部件的材料质量检验以及性能和成本的优化中。

近日，一个由来自麻省理工学院、布朗大学和新加坡南洋理工大学（NTU）的研究人员组成的国际研究团队开发了一种新的分析技术，这种技术可以提高通过仪表化压痕对金属材料力学性能的估计，其准确度是现有方法的20倍。

他们的发现发表在近日的《美国国家科学院院刊》（Proceedings of the National Academy of Sciences）的一篇论文中，论文将压痕实验与使用最新机器学习工具对材料进行计算建模相结合。

“压痕是测试机械性能的一种非常好的方法，” 资深作者Ming Dao说，特别是在只有小样本可供测试的情况下。

他说：“当你试图开发新材料时，你通常只有少量的材料，你可以使用压痕或纳米压痕来测试相当少量的材料。”

这样的测试对于弹性性能来说是相当精确的——也就是说，材料在被戳过之后会弹回到原来的形状。

但是当施加的力超过了材料的“屈服强度”——也就是戳在表面上留下持久痕迹的那一点——这就叫做塑性变形，传统的压痕测试就变得不那么准确了。

Dao说，“事实上，目前还没有广泛使用的方法”可以在这种情况下提供可靠的信息。

压痕可以用来确定硬度，但Dao解释说：“硬度只是材料的弹性和塑性性能的组合。”它不是一个可以直接用于设计目的的“干净”参数。

但是在屈服强度或屈服强度以外的性能，即材料开始不可逆变形的强度，对于获得材料在工程应用中的适用性是很重要的。”

他们的新方法不需要对实验设备或操作进行任何更改，而是提供了一种处理数据以提高预测准确性的方法。

通过使用一个先进的神经网络机器学习系统，研究小组发现， 将真实的实验数据和计算机生成的不同精度的“合成”数据（一种所谓的多保真深度学习方法）进行精心设计的集成，可以生成工业应用程序测试材料所需的那种快速、简单但高度精确的数据。

传统的机器学习方法需要大量的高质量数据。然而，在实际材料样品上进行详细的实验既耗时又昂贵。

但研究小组发现， 利用大量低成本的合成数据进行神经网络训练，然后加入相对较少的真实实验数据点——大约在3到20个之间，而不是1000个或更精确的数据集（尽管成本很高）——可以显著提高结果的准确性。

此外，他们利用已建立的比例法则来进一步减少覆盖所有工程金属和合金的参数空间所需的训练数据集的数量。

更重要的是，作者发现大部分耗时的训练过程可以提前完成，这样，为了评估实际测试，可以在需要的时候添加少量真实的实验结果进行“校准”训练，从而得到高度准确的结果。

这些多保真深度学习方法已经用传统的铝合金和3D打印钛合金进行了验证。

马德里IMDEA材料研究所科学主任Javier Llorca没有参与此研究，表示这种新方法利用机器学习策略来提高预测的准确性，在快速测试3D打印组件的机械性能方面有着巨大潜力，从而有助于实现更精确的设计。

加州理工学院的Ares Rosakis教授也没有参与这项工作，他说这种方法“带来了显著的计算效率和前所未有的机械性能预测准确性……最重要的是，它为确保机械性能的一致性以及3d打印复杂几何结构组件的制造再现性提供了以前无法获得的全新视角，而传统测试是不可能实现的。”

Dao说，原则上，他们使用的基本过程可以扩展并应用于涉及机器学习的许多其他类型的问题。这个想法可以推广到解决其他具有挑战性的工程问题上。

“使用真实的实验数据有助于弥补在合成数据中假设的理想化条件，其中压头尖端的形状是完全尖锐的，压头的运动是完全平滑的，等等。”

通过使用“混合”数据，包括理想化的和真实的情况，“最终的结果是大大减少了错误，”他说。