X射線CT數據的拓撲分析，用於(yu) 材料老化過程中識別其微觀結構變化及變化趨勢。 （圖片來源：勞倫(lun) 斯利弗莫爾國家實驗室）

勞倫(lun) 斯利弗莫爾國家實驗室的科學家通過使用人工智能技術分析材料的微觀結構，朝著未來材料性能改善的設計方向邁進了一步。

這項研究成果最近在《計算材料科學》（Computational Materials Science）期刊的網站上發表。

材料科學應用方麵的技術進步涵蓋電子、生物醫學、替代能源、電解液、催化劑設計等領域，但由於(yu) 對底層材料微觀結構與(yu) 設備性能之間的複雜關(guan) 係了解欠缺，這一進展常常受到阻礙。但是人工智能驅動的數據分析提供了機會(hui) ，以易處理的數學方法闡明加工性能相關(guan) 性，可以加速材料設計和優(you) 化過程。

人造神經網絡基礎上“深度學習(xi) ”方法的最新進展，徹底改變了利用原始數據本身發現這種複雜關(guan) 係的過程。然而，要穩定訓練大型網絡，就需要成千上萬(wan) 個(ge) 樣本數據，不幸的是，新係統和新應用通常難以承受樣本製備和數據收集的成本。在這種情況下，需要創新算法從(cong) 原始實驗表征數據中提取最合適的“特征”或“描述符”。

例如，高聚物粘結炸藥構成了重要的材料體(ti) 係，其三維兩(liang) 相微結構：（1）變化極大取決(jue) 於(yu) 高能粒子形態和尺寸分布、粘合劑含量、溶劑/攪拌速率、壓力、溫度等加工參數；（2）在不同環境條件下，隨著長期材料老化而演變；（3）性能表現隨樣品微觀結構和壽命的函數變化。

雖然可以使用多個(ge) 時間點的X射線CT掃描對每個(ge) 三維微觀結構進行無損成像，但數據收集過程既耗時又昂貴，（因此）通常把樣本數量限製在幾百個(ge) 。如何最大利用這些有限的數據來揭示任何過程-微觀結構-性能相關(guan) 性，量化長期老化趨勢，從(cong) 微觀角度深入了解基於(yu) 物理的模擬代碼，並設計性能改善的未來材料，是所麵臨(lin) 的挑戰。

由LLNL材料科學家、LLNL和猶他大學的數據可視化科學家組成的團隊使用標量場拓撲和莫爾斯理論（Morse theory）中近期發展方法，從(cong) 原始X射線CT數據中提取有用的總結性特征，如“晶粒數”和“內(nei) 邊界表麵積”。

隨後使用各種統計學機器學習(xi) 技術對這些特征變量進行分析，從(cong) 而使團隊能夠：（1）客觀區分加工差異所導致的不同微觀結構；（2）係統跟蹤老化後的微觀結構演變；（3）建立與(yu) 微觀結構相關(guan) 的性能模型。

第一作者阿米特什·邁蒂（Amitesh Maiti）表示：“隨著以人工智能啟發性數據為(wei) 中心的研究日益受到重視，我們(men) 建立模型和發現材料的模式正在迅速改變。進展速度和質量很大程度上取決(jue) 於(yu) 多團隊合作，這些合作將互補的星空体育官网入口网站、技能融會(hui) 貫通。”

用項目負責人理查德·吉（Richard Gee）的話來說：“這些方法的開發和應用為(wei) 確認加工參數，發現老化對儲(chu) 備相關(guan) 材料性能的複雜影響，提供了手段。由此產(chan) 生的見解應當優(you) 化部件設計和預測長期老化引起的性能變化，這對改善監督措施具有重要價(jia) 值。”

翻譯：李雅婷

校對：董子晨曦

引進來源：勞倫(lun) 斯利弗莫爾國家實驗室（Lawrence Livermore National Laboratory, LLNL）

引進鏈接：https://phys.org/news/2020-05-ai-microstructure-aging-materials.html


關(guan) 注【深圳科普】微信公眾(zhong) 號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書(shu) 籍】，了解最新科普書(shu) 籍
回複【團體(ti) 定製】，了解最新團體(ti) 定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習(xi) 觀鳥相關(guan) 科普星空体育官网入口网站
回複【博物學院】，了解更多博物學院活動詳情