太好了！機器學習被用到了材料科學，能高效解決費力的人力工作！

2020-05-27 09:27 作者:博科園 0人讀過 | 我要投稿

通過使用機器學習作為一種圖像處理技術，科學家可以在不犧牲準確性的情況下，極大地加快迄今費力的人工定量尋找和查看界面的過程。在從電池到半導體的系統(tǒng)中，邊緣和界面在決定材料性能方面起著至關重要的作用。

科學家們被迫研究樣本中兩種或兩種以上不同成分相遇的地方，以創(chuàng)造出更堅固、更節(jié)能或更持久的材料?，F(xiàn)在在美國能源部阿貢國家實驗室的一項新研究中，研究人員采用了一項基于機器學習的新技術。

機器學習可以揭開材料中埋藏的界面和邊緣的秘密，用來產(chǎn)生使用機器學習進行分析的數(shù)據(jù)實驗技術被稱為原子探針斷層攝影術，研究人員在這種技術中挑選出針狀的三維小樣本。然后從樣本中剝離單個原子。然后進行飛行時間測量和質(zhì)譜分析，以確定特定原子在材料中的來源。此過程生成樣本中原子位置非常大的數(shù)據(jù)集，為了分析這個數(shù)據(jù)集，研究人員將其分割成二維切片。

然后將每個切片表示為一幅圖像，機器學習算法可以在該圖像上確定邊緣和界面。在訓練算法識別界面時，由阿貢材料科學家和研究作者奧勒·海諾寧(Olle Heinonen)領導的團隊使用了一種非傳統(tǒng)方法。海諾寧和同事們沒有使用邊界可能定義不清的材料庫圖像，而是從貓和狗的照片開始，以幫助機器學習算法了解圖像中的邊緣。在訓練算法時，這些形狀對我們來說很簡單。

但對計算機來說卻很復雜，所這是提供了一個有用的試驗場。然后，研究人員通過匯編一組分子動力學模擬來證明機器學習算法的準確性，用它們來制作合成數(shù)據(jù)集，在這些數(shù)據(jù)集中，模擬樣本的組成是完全已知的。通過回到機器學習的方法，能夠提取成分信息，并將它們與實際情況進行比較。以前，嘗試從原子探針斷層掃描數(shù)據(jù)創(chuàng)建這些類型的濃度分布涉及勞動密集型的手動過程。

通過將機器學習算法與新開發(fā)的定量分析軟件搭配使用，科學家可以極大地加快對各種材料界面的分析速度。該方法是可擴展的，可以把它放在高性能計算上并完全自動化，而不是手動完成并查看不同的濃度，在這里發(fā)送代碼并按下一個按鈕就可以實現(xiàn)。雖然這項技術是為原子探針斷層掃描而開發(fā)的，但可以適用于任何類型的斷層掃描，甚至像X射線斷層掃描這樣不一定能揭示原子位置的技術。

無論在哪里擁有包含一些結構信息和接口的三維數(shù)據(jù)集，這項技術都會很有用。催生這項研究合作值得注意的是，包括來自廣泛不同領域的專家，包括數(shù)學、人工智能、納米科學、材料科學和計算機科學。研究團隊匯集了各種各樣的專業(yè)知識，以解決材料表征方面的一個具有挑戰(zhàn)性的問題。研究作者阿貢計算機科學家普拉桑娜·巴拉普拉卡什說：從機器學習的角度來看，我們必須克服的一個關鍵挑戰(zhàn)是數(shù)據(jù)匱乏。