利好增材基础领域，新型图像机器学习技术改造材料开发

2021年10月13日，南极熊获悉，来自宾夕法尼亚州利哈伊大学的研究人员开发了一种基于机器学习的新方法，根据结构的相似性将各组材料分类在一起。

研究团队认为这是一项开创性的研究，他们建立的人工神经网络能够在一个庞大数据库中识别相关材料结构的相似性和趋势，而这个数据库涵盖了超过25,000张材料微观图像。该技术可用于寻找新开发的材料之间以前未见过的联系，甚至将结构和性能等因素联系起来，有可能为3D打印等行业带来一种新的计算材料开发方法。

这项研究的主要作者Joshua Agar描述了该模型检测结构对称性的能力如何成为项目成功的基石。他说："我们工作的一个创新之处在于，我们建立了一个特殊的神经网络来理解对称性，我们将其作为特征提取器，使其在理解图像方面做得更好"。

△显示对称性的图像相似性的神经网络的插图，来自一个超过25,000张压电反应力显微镜图像的数据库。图片来自利哈伊大学。

结构和性能之间的关系

在材料研究中，了解材料的结构如何影响其性能是一个关键目标。尽管如此，由于结构的复杂性，目前还没有广泛使用的指标来可靠地确定一个材料的结构将如何影响其属性。随着机器学习技术的兴起，人工神经网络已经证明自己是这种应用的潜在工具，但Agar仍然认为有两个主要挑战需要克服。

首先是材料研究实验产生的绝大部分数据从未被机器学习模型分析过。这是因为产生的结果，通常是以显微镜成像的形式，很少以结构化和可用的方式存储。结果也往往不会在实验室之间共享，当然也没有一个可以轻松访问的集中式数据库。这在一般的材料研究中是个问题，但在增材制造领域，由于其更大的利基性，更是如此。

第二个问题是，神经网络在学习如何识别结构对称性和周期性方面并不十分有效，例如解析材料结构的周期性如何。由于这两个特征对材料研究人员来说至关重要，所以直到现在，使用神经网络都是一个巨大的挑战。

通过机器学习进行相似性推算

Lehigh的新型神经网络旨在解决Agar描述的这两个问题。除了能够理解对称性之外，该模型还能够搜索非结构化的图像数据库，以确定趋势并预测图像之间的相似性。它是通过采用一种称为 "统一面域逼近和投影"（UMAP）的非线性降维技术来实现的。

Agar解释说，这种方法使数据的高层次结构对团队来说更容易消化。如果你训练一个神经网络，其结果是一个向量，或一组数字，是一个紧凑的特征描述符。这些特征有助于对事物进行分类，这样就能学到一些相似性。不过，产生的东西在空间上仍然相当大，因为你可能有512个或更多不同的特征。因此，你想把它压缩到一个人类可以理解的空间，如二维或三维。

Lehigh团队对模型进行了训练，使其包括对称性的特征，并将其用于加州大学伯克利分校五年来收集的25133张压电反应力显微镜图像的非结构化集合。因此，他们能够成功地根据结构将类似的材料分组，为更好地理解结构-性能关系铺平道路。

最终，这项工作展示了神经网络如何与更好的数据管理相结合，可以加快增材制造和更广泛的材料社区的材料开发研究。

△使用自然图像和对称性感知特征的UMAP-预测的比较。图片来自利哈伊大学。

有关研究的进一步细节可以在题为 "‘Symmetry-aware recursive image similarity exploration for materialsmicroscopy "的论文中找到。

相关论文链接：https://www.nature.com/articles/s41524-021-00637-y#Abs1

机器学习的预测能力确实开始在增材制造的许多方面得到利用。来自阿贡国家实验室和德克萨斯A&M大学的研究人员之前开发了一种创新的方法来检测3D打印部件的缺陷。利用实时温度数据，加上机器学习算法，科学家们能够在热历史和次表面缺陷的形成之间建立起相关的联系。

在商业领域，工程公司雷尼绍与3D打印机器人专家Additive Automations合作，为金属3D打印零件开发基于深度学习的后处理技术。这项合作涉及到使用协作机器人（cobots），加上深度学习算法，自动检测和移除整个支撑结构。