科学家利用神经网络重新思考材料设计

休斯顿 – 材料的微观结构和性能密切相关，对其进行定制是一项挑战。莱斯大学的工程师们决心通过机器学习来简化这一过程。为此，莱斯大学材料实验室科学家Tang Ming与劳伦斯·利弗莫尔国家实验室的物理学家Zhou Fei合作，推出了一种预测材料微观结构演变的技术——在10纳米到100微米之间的结构特征。

他们在Cell Press期刊Patterns上发表了一篇开放获取的论文，展示了神经网络（模拟大脑神经元的计算机模型）是如何训练自己预测某种结构在特定环境下如何生长的，就像自然界中由水分形成的雪花一样。事实上，雪花状的树枝状晶体结构是实验室在其概念验证研究中使用的例子之一。

​​​​​​​

图片｜微米纳米材料科学组提供。

Tang说：“在现代材料科学中，人们普遍认为微观结构在控制材料性能方面起着关键作用。你不仅要控制原子在晶格上的排列方式，还要控制微观结构，这样就可以获得良好的性能甚至新的功能。

他说：“设计材料的关键是能够预测微观结构在给定条件下的变化，无论是加热、施加应力还是其他类型的刺激。”。

在他的整个职业生涯中，唐一直致力于完善微观结构的预测，但他表示，传统的基于方程的方法面临着重大挑战，要让科学家能够满足对新材料的需求。“机器学习方面的巨大进步鼓励了劳伦斯·利弗莫尔的Fei和我们，看看我们是否能将其应用到材料中。”。

幸运的是，传统方法中有大量数据可以帮助训练团队的神经网络，这些神经网络可以通过观察微观结构的早期演化，从而预测下一步，再下一步等等。

“这正是机器所擅长的，以一种人类大脑无法做到的非常复杂的方式来观察这种相关性，”Tang说，“我们利用了这一点。”

研究人员在四种不同类型的微观结构上测试了他们的神经网络：平面波传播、晶粒生长、失稳分解和树枝晶生长。在每项测试中，网络被输入1000到2000组连续的20幅图像，这些图像显示了由方程式预测的材料的微观结构演变。在学习了这些数据的演化规则后，该网络将获得1到10张图像，以预测接下来的50到200帧，通常在几秒钟内便可完成。

这项新技术的优势很快显现出来：与以前的算法相比，由图形处理器驱动的神经网络使晶粒生长的计算速度提高了718倍。当在标准中央处理器上运行时，它们仍然比旧方法快87倍。对其他类型微观结构演化的预测也显示了类似的速度增加，尽管不是那么显著。

Tang说：“通过与传统模拟方法的图像进行比较，可以证明这些预测基本上是正确的。基于此，我们看到了如何更新参数，从而使预测越来越准确，然后我们可以利用这些预测来帮助设计我们以前从未见过的材料。”

Tang说：“另一个好处是，即使我们不知道系统中所有的材料属性，它也能做出预测。我们不能用基于方程的方法来完成，因为这需要知道方程中的所有参数值才能进行模拟。”

Tang表示，神经网络的计算效率可以加速新材料的开发。他希望这可以有助于他的实验室正在设计的更高效的电池。“我们正在考虑新的三维结构，它将帮助电池更快地充电和放电，这是一个优化问题，非常适合我们的新方法。”

莱斯大学的研究生Yang Kaiqi是该论文的主要作者。合著者是莱斯校友Cao Yifan和研究生Zhang Youtian和Fan Shaoxun，劳伦斯·利弗莫尔的研究人员Daniel Aberg和Babak Sadigh。Zhou是劳伦斯·利弗莫尔的物理学家。Tang是莱斯大学材料科学和纳米工程的助理教授。

能源部、国家科学基金会和美国化学学会石油研究基金支持了该项研究。

莱斯大学和劳伦斯·利弗莫尔国家实验室的工程师正在使用神经网络来加速对材料微观结构如何演变的预测。这个例子预测了雪花状的枝晶生长。