机器学习可以描绘材料的3D微观结构，从而显示出不同大小的晶粒及其边界。图片：阿贡国家实验室
材料的现代科学研究在很大程度上依赖于在原子和分子尺度上探索其行为P I ! ` , 。因此，科学家们一直在寻找新的和改进s t 8 ! c - H的方法来在这些尺a ~ h x ? J p度上进行数据收集和材料分析。
位于美国能源部阿贡国家实验室的纳米材料中心（CNM）的研究人员发明了一种基于机器学习的算法，用于在三个维度上对材料进行定量表征。特征小至纳米。研究人员可以将这一关键发( ( ~现应用于对行L ; !业感兴趣的大多数结构材料的分析。
3D多晶自主& A (微结构表征方法的主要步骤“使我们的算法与众不同的是，如果您从对微观结构基本不了解的材料开始，它将在几秒钟内告诉用户所有三个维度的确切微观P 9 B V p 1 2 _结构。”该小组负责人Subramanian SankZ l k xaranC warayanan说道。Sankaranarayanan是纳米材I 3 Z ( +料中心理论与建模小组，# ` R G芝加哥伊利诺伊大学机械与工业工程系副教授。
纳米{ F G T材料中心博士后研究员，该研究的主要作者亨利陈说：“例如，通过我们的3-D工具分析的数据，用户可以{ } J k `检测到断层和裂缝，并有可能预测应力和应变下各种结构材料的寿命。”
大多数结构材料是多晶的，这意味着用于分析目的的样品可能包含数百万个晶粒。这些晶粒的尺寸和分布以及样品中的空隙是影响重要物理、机械、光学、化学和热学性质的关键微观结构特征。例如，这些知识对于发现具有所需特性的新材料（如使用寿命更长、更硬和更坚固的机g o $ q f 4 + J器部件）非常重要。
过去，科学家通过在许多2w s y / 4 S * Y _-Ds d D %切片的微观尺度上i $ o l 3 m A V拍摄快照，处理单个切s . & i e O ? W E片，然后将它们粘贴在一起以形成3-D图片，来可视化材料中的3-D微观结构特征。例如，在医院中执行计算机断层扫K o ^ s描程序就是这种情况。但是，该过程效率低下，并导致信息丢失。因此，研究人员一直在寻找更好的3-D分析方法。
阿贡3D机器学习算法显示冰成核，形成纳米晶体结构，随后晶粒长大。图片：阿贡国家实验室
纳米材料中心的助理科学家马修切鲁卡拉（Ma- : b ythew Cherukara）说：“0 2 y T H = E起初，我们考虑设计一种基于截距的算法，以搜索样品中众多晶粒之间的所有边界，直到在三个维度上绘制整个微观结构为止，但是您可以想象，拥有数百万个晶粒，这是非常耗时且效率低下的。”
“我们的机器学习算法的优点在于，它使用无监督算法来处理边界问题，并K H A 9以高效率产生高度准确的结果。”w v + n 陈说：“结合降采样技术，仅需I 0 p . 5几秒钟即可处理大型3D样本并获得精确的微结构信息，这些信息具有鲁棒性和抗噪性。”
该团队通过与几种不同金属（铝、铁、硅和钛）和软材料（聚合物和胶束）的分析数据进行比较，成3 H o N功地测试了该算法。这j { m u % | - Y H些数据来自较早发表的实验以及在阿贡国# G B s 5家领导力计算设施和国家能源研究科学计算中心运行的计算机模拟。这项研究还使用了位于阿贡的实验室计算资D r 2 y }源中心和位于纳米材料中心的Carbon Cluster。
对不同材B 7 n N K 2 8 K x料的模拟P R q s预测
Sankaranarayana% j p 7n说：“对于使用我们工具的研究人员来说，主要优势不仅在于生成的3D图像令人印象深刻，而且更重要的是，详细的表征数据也是如此。他们甚至可以在微观上实时定B K 8 ~ h量地观察v u v 1 B ( e c和跟踪微观结构的演变。”
机器学p l A x -习算法不限于实体。该团队将其扩展到包括表征具有重要能量、化学和生物应h # ( 2 , = ? Z ?用的流体中分子簇的分布。
这种机器学习工具对于从大型材料表征设施（例如高级光子源）以及全球其他同步加速器等获得的数据的未来实时分析尤其有用。
这项名为“机器学习使3-D样品能够进行自主微结构表s m x征”的研究发表在Computational Materials中。