作者安妮·斯塔克，劳伦斯·利弗莫尔国家实验室 x光计算机断层扫描数据的拓扑分析用于识别和趋向材料老化下的微观结构变化
荣誉:劳伦斯·利弗莫尔国家实验室 劳伦斯利弗莫尔国家实验室(LLNL)的科学家通过使用人工智能分析其微观结构，在设计具有改进性能的未来材料方面向前迈出了一步
这项工作最近在线发表在《计算材料科学》杂志上
材料科学应用的技术进步跨越电子、生物医学、替代能源、电解质、催化剂设计等领域，但由于缺乏对底层材料微观结构和器件性能之间复杂关系的理解，这些技术进步常常受到阻碍
但是人工智能驱动的数据分析提供了机会，可以通过以数学上易于处理的方式阐明处理性能相关性来加速材料设计和优化
基于人工神经网络的“深度学习”方法的最新发展彻底改变了使用原始数据本身发现这种复杂关系的过程
然而，为了可靠地训练大型网络，人们需要来自数万个样本的数据，不幸的是，由于样本准备和数据收集的成本，这在新系统和新应用中通常是禁止的
在这种情况下，需要创新的算法从原始实验特征数据中提取最合适的“特征”或“描述符”
例如，聚合物粘结的高能炸药构成了一个重要的材料系统，其三维双相微观结构可以:(1)根据加工参数如高能粒子形态和尺寸分布、粘结剂含量、溶剂/搅拌速率、压力、温度等变化很大
；(2)在变化的环境条件下，随着材料的长期老化而演变；和(3)显示作为样品微观结构和年龄的函数的性能变化
虽然每个三维微结构都可以通过x光计算机断层扫描进行无损成像(在多个时间点)，但数据收集过程既耗时又昂贵，这将样本数量限制在通常只有几百个
面临的挑战是如何最大限度地利用这些有限的数据来揭示任何过程-微结构-性能相关性，量化长期老化趋势，为基于物理的模拟代码提供微观层面的见解，以及设计具有改进性能的未来材料
LLNL材料科学家和数据可视化科学家团队在LLNL和犹他大学使用最近开发的标量场拓扑和莫尔斯理论方法，从原始x光计算机断层扫描数据中提取有用的汇总特征，如“颗粒计数”和“内部边界表面积”
然后使用各种统计机器学习技术来分析这些特征变量，这使得该团队能够:(1)客观地区分由加工差异导致的不同微观结构；(2)系统跟踪老化条件下的微观结构演化；以及(3)建立依赖于微观结构的性能模型
“随着对人工智能启发的以数据为中心的研究的日益重视，我们处理模型构建和材料发现的范式正在迅速变化，”主要作者阿米提什·梅蒂说
“进展的速度和质量关键取决于这种多团队合作，这种合作汇集了互补的知识和技能
" 用项目首席研究员理查德·吉的话来说:“这些方法的发展和应用为确定加工参数和老化对库存相关材料性能的复杂影响提供了手段
由此产生的见解应该能够实现部件设计优化和对长期年龄引起的性能变化的预测，这对改进监控实践具有重要价值
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
