机器学习改善无损材料检测

仪器压痕是一种无损检测材料力学性能的方法。该技术包括测量在材料上制造微小凹痕所需的力，并使用这些测量来计算材料的性能。

这项技术对于测量弹性变形非常有效，弹性变形是指制造弹回的凹痕所涉及的力。但对于塑性变形来说就不那么重要了，塑性变形是指对材料产生不可逆变化的力。现在，一个包括两名布朗大学数学家在内的研究团队开发了一种新的人工智能算法，极大地提高了塑性变形测量的准确性。

布朗大学应用数学教授乔治·卡尔尼亚达基斯(George Karniadakis)说:“用这种技术测量塑料性能的错误率是140%。”“但使用这种机器学习技术，我们可以把这个比例降低到4%或5%。”

该算法发表在《美国国家科学院院刊》(Proceedings of The National Academy of Sciences)上。这项研究是由布朗大学、麻省理工学院和新加坡南洋理工大学的研究人员合作完成的。这个研究小组包括前布朗大学教授、国家科学基金会主任、现任南洋理工大学校长的苏博拉·苏雷什(Subra Suresh)。

关键的进步是一组能够从不同质量的数据中学习的神经网络机器学习算法。“多保真度”方法可以将计算机模拟的低保真度数据与直接实验数据相结合。实验数据的质量要高得多，但对于给定的材料来说常常是稀缺的。通过实验数据与仿真相结合，多保真算法只需要少量的实验就可以得到可靠的结果。

研究人员还表明，一个在一种材料上训练过的神经网络可以很容易地适应另一种材料，只需要很少的额外训练。

“通常需要10000次迭代才能训练出一个新材料的网络，”该研究的第一作者、布朗大学的博士后研究员Lu Lu说。“但我们可以利用一种材料的信息，通过几个实验数据点就可以把它转移到新材料上。”

Karniadakis说，新的算法可以很容易地整合到现有的仪器压痕硬件中。研究人员已经为这些算法申请了专利，并计划将其商业化。新系统在评估通过3D打印和其他增材制造方法制造的材料时可能特别有用，因为这些材料的性能实验数据尤其稀缺。

Karniadakis说:“材料在使用之前必须经过仔细的测试，特别是在航空航天工业和其他关键应用领域。”“随着我们向3D打印和其他增材制造方向发展，有必要对这些新材料进行评估，这将有助于实现这一目标。”

论文的其他合著者还有Ming Dao、Punit Kumar和Upadrasta Ramamurty。这项工作得到了美国陆军研究实验室(W911NF-12-2-0023)和美国能源部(DE-SC0019453)的支持。