（文章來源：教育新聞網(wǎng)）

材料的現(xiàn)代科學研究在很大程度上依賴于在原子和分子尺度上探索其行為。因此，科學家們一直在尋找新的和改進的方法來在這些規(guī)模上進行數(shù)據(jù)收集和材料分析。

位于能源部(Arge)國家實驗室的美國能源部(DOE)科學用戶設施辦公室納米級材料中心(CNM)的研究人員發(fā)明了一種基于機器學習的算法，該算法可在三個維度上對材料進行定量表征。特征小至納米。研究人員可以將這一關(guān)鍵發(fā)現(xiàn)應用于對行業(yè)感興趣的大多數(shù)結(jié)構(gòu)材料的分析。

“使我們的算法與眾不同的是，如果您從對微觀結(jié)構(gòu)基本不了解的材料開始，它將在幾秒鐘內(nèi)告訴用戶所有三個維度的確切微觀結(jié)構(gòu)，”該小組負責人Subramanian Sankaranarayanan說。 CNM理論與建模小組，芝加哥伊利諾伊大學機械與工業(yè)工程系副教授。

CNM博士后研究員和該研究的主要作者亨利·陳說：“例如，通過我們的3D工具分析數(shù)據(jù)，用戶可以檢測到各種結(jié)構(gòu)材料的斷層和裂縫，并有可能預測在不同應力和應變下的壽命?！?/p>

大多數(shù)結(jié)構(gòu)材料是多晶的，這意味著用于分析目的的樣品可能包含數(shù)百萬個晶粒。這些晶粒的尺寸和分布以及樣品中的空隙是影響重要物理，機械，光學，化學和熱學性質(zhì)的關(guān)鍵微觀結(jié)構(gòu)特征。例如，這些知識對于發(fā)現(xiàn)具有所需特性的新材料(例如，使用壽命更長的更硬和更硬的機器部件)非常重要。

過去，科學家通過在許多2D切片的微觀尺度上拍攝快照，處理單個切片，然后將它們粘貼在一起以形成3D圖片，來可視化材料中的3D微觀結(jié)構(gòu)特征。例如，在醫(yī)院中執(zhí)行計算機斷層掃描程序就是這種情況。但是，該過程效率低下，并導致信息丟失。因此，研究人員一直在尋找更好的3D分析方法。

CNM的助理科學家Mathew Cherukara說：“起初，我們考慮設計一種基于截距的算法，以搜索樣品中眾多晶粒之間的所有邊界，直到在三個維度上繪制整個微觀結(jié)構(gòu)為止，但是您可以想象，擁有數(shù)百萬個谷物，這是非常耗時且效率低下的?！?/p>

“我們的機器學習算法的優(yōu)點在于，它使用無監(jiān)督算法來處理邊界問題，并以高效率產(chǎn)生高度準確的結(jié)果，” Chan說?！芭c下采樣技術(shù)相結(jié)合，處理大型3D樣本并獲得精確的微觀結(jié)構(gòu)信息只需幾秒鐘，而這些信息是魯棒的并且對噪聲具有彈性?！?/p>

該團隊通過與幾種不同金屬(鋁，鐵，硅和鈦)和軟材料(聚合物和膠束)的分析數(shù)據(jù)進行比較，成功地測試了該算法。這些數(shù)據(jù)來自較早發(fā)表的實驗以及在兩個美國能源部科學用戶辦公室，阿貢國家領(lǐng)導力計算設施和國家能源研究科學計算中心運行的計算機模擬。這項研究還使用了位于阿貢的實驗室計算資源中心和位于CNM的Carbon Cluster。

Sankaranarayanan說：“對于使用我們工具的研究人員而言，主要優(yōu)勢不僅在于生成的令人印象深刻的3D圖像，而且更重要的是，詳細的表征數(shù)據(jù)?！薄八麄兩踔量梢栽谖⒂^上實時定量地觀察和跟蹤微觀結(jié)構(gòu)的演變。”機器學習算法不限于實體。該團隊將其擴展到包括表征具有重要能量，化學和生物應用的流體中分子簇的分布。

這種機器學習工具對于從大型材料表征設施(例如高級光子源，阿貢大學另一家DOE科學用戶設施辦公室)以及全球其他同步加速器等獲得的數(shù)據(jù)的未來實時分析尤其有用。
（責任編輯：fqj）