新颖的机器学习模型可以在材料失效发生之前预测它

快速阅读: 《科学日报》消息，研究者开发新方法，可提前预测金属和陶瓷材料中异常晶粒生长的可能性，从而提升高温环境下材料性能。此方法不仅限于材料科学，还可应用于预测其他复杂系统中的罕见事件。

通过模拟，我们不仅能预测异常晶粒生长，还能提前很久预知其发生的可能性，”利哈伊大学罗斯因工程与应用科学学院计算机科学与工程副教授、该研究的共同作者陈炳杨（音译）表示，“在我们观察到的案例中，有86%的情况下，我们能在材料寿命的前20%内预测某个特定晶粒是否会变得异常。”

当金属和陶瓷暴露于持续高温环境时——比如火箭或飞机发动机产生的高温——它们可能会失效。这些材料由晶体或晶粒构成，当被加热时，原子可以移动，从而导致晶体生长或收缩。当某些晶粒相对于其邻居异常增大时，这种变化会改变材料的属性。例如，原本具有一定柔韧性的材料可能会变得易碎。

“在设计材料时，我们希望有意避免异常晶粒生长，”陈教授指出。

然而，迄今为止，预测异常晶粒生长一直是一项极具挑战的任务。任何给定合金的形成都有无数种组合和浓度。随后，每种金属都需要进行测试，这既昂贵又耗时，而且往往不可行。陈教授团队开发的计算模拟方法通过快速排除可能发展为异常晶粒生长的材料来缩小可能性范围。“我们的结果非常重要，因为如果你想查看那堆不同材料的各种组合，你不想在知道是否会发生异常晶粒生长之前花费太多时间去模拟每一个材料，”他说道，“你希望尽可能快地完成模拟，然后继续下一步。”

难题在于，异常晶粒生长是一种罕见事件，并且早期那些即将成为异常的晶粒看起来与其他晶粒毫无二致。为了应对这一问题，研究团队开发了一种深度学习模型，结合了两种技术来分析晶粒随时间的演变及其相互作用：长短期记忆（LSTM）网络模拟了如何评估材料的属性或特征，基于图的卷积网络（GCRN）建立了可用于预测的数据关系。

起初，研究人员只是希望做出成功的预测。他们没想到能这么早就做出预测。“我们认为数据可能太过混乱了，”他说，“也许我们正在观察的属性不会揭示出关于未来异常的太多信息，或者异常可能只会在即将发生时才显现出来，那时即使肉眼也能发现。但令我们惊讶的是，我们实际上能够提前这么久做出预测。”

早期检测的关键在于使用他们的模型在异常发生前的时间检查晶粒的特性随时间的变化。“更好地思考晶粒变得异常的方式是考虑它们在变化之前的演变过程，”他说，“例如，在异常发生前的10百万时间步长时，它们具有某些特性，而这些特性可能与40百万时间步长时的不同。”

团队在晶粒变得异常的那一刻对每个模拟进行了对齐，并回顾分析其演化特性。通过识别这些特性的一致趋势，他们能够准确预测哪些晶粒会变得异常。“如果你从异常发生前的时间来看，你会发现一些有用的预测模式，”他说。

在这个项目中，陈教授和他的团队对现实材料进行了模拟。下一阶段是将这种方法应用于真实材料的图像，看看他们是否仍然能够准确预测未来。陈教授表示，最终目标是识别出在广泛高温高压条件下仍能保持物理性质稳定的材料。这样的材料可以让发动机及部件在失效之前以更高的温度运行更长时间。

该团队还看到了他们新颖机器学习方法在材料科学之外预测其他罕见事件的潜力，因为它能够在复杂系统中识别预警信号。例如，它可能有助于预测材料中的相变、导致危险病原体的突变或大气条件的突变。

“这项工作为材料科学家开辟了一个令人兴奋的新能力，让他们预见未来，以预测材料结构在未来演化的可能性，这是以前从未实现过的，”利哈伊大学阿尔科基金会材料科学与工程荣誉教授、纳米/人类界面总统研究计划主任以及论文的共同作者马丁·哈默说，“它将在设计用于国防、航空航天和商业应用的可靠材料方面产生深远影响。”

(以上内容均由Ai生成)