（文章來源：教育新聞網）

材料的現代科學研究在很大程度上依賴于在原子和分子尺度上探索其行為。因此，科學家們一直在尋找新的和改進的方法來在這些規模上進行數據收集和材料分析。

位于能源部(Arge)國家實驗室的美國能源部(DOE)科學用戶設施辦公室納米級材料中心(CNM)的研究人員發明了一種基于機器學習的算法，該算法可在三個維度上對材料進行定量表征。特征小至納米。研究人員可以將這一關鍵發現應用于對行業感興趣的大多數結構材料的分析。

“使我們的算法與眾不同的是，如果您從對微觀結構基本不了解的材料開始，它將在幾秒鐘內告訴用戶所有三個維度的確切微觀結構，”該小組負責人Subramanian Sankaranarayanan說。 CNM理論與建模小組，芝加哥伊利諾伊大學機械與工業工程系副教授。

CNM博士后研究員和該研究的主要作者亨利·陳說：“例如，通過我們的3D工具分析數據，用戶可以檢測到各種結構材料的斷層和裂縫，并有可能預測在不同應力和應變下的壽命。”

大多數結構材料是多晶的，這意味著用于分析目的的樣品可能包含數百萬個晶粒。這些晶粒的尺寸和分布以及樣品中的空隙是影響重要物理，機械，光學，化學和熱學性質的關鍵微觀結構特征。例如，這些知識對于發現具有所需特性的新材料(例如，使用壽命更長的更硬和更硬的機器部件)非常重要。

過去，科學家通過在許多2D切片的微觀尺度上拍攝快照，處理單個切片，然后將它們粘貼在一起以形成3D圖片，來可視化材料中的3D微觀結構特征。例如，在醫院中執行計算機斷層掃描程序就是這種情況。但是，該過程效率低下，并導致信息丟失。因此，研究人員一直在尋找更好的3D分析方法。

CNM的助理科學家Mathew Cherukara說：“起初，我們考慮設計一種基于截距的算法，以搜索樣品中眾多晶粒之間的所有邊界，直到在三個維度上繪制整個微觀結構為止，但是您可以想象，擁有數百萬個谷物，這是非常耗時且效率低下的。”

“我們的機器學習算法的優點在于，它使用無監督算法來處理邊界問題，并以高效率產生高度準確的結果，” Chan說。“與下采樣技術相結合，處理大型3D樣本并獲得精確的微觀結構信息只需幾秒鐘，而這些信息是魯棒的并且對噪聲具有彈性。”

該團隊通過與幾種不同金屬(鋁，鐵，硅和鈦)和軟材料(聚合物和膠束)的分析數據進行比較，成功地測試了該算法。這些數據來自較早發表的實驗以及在兩個美國能源部科學用戶辦公室，阿貢國家領導力計算設施和國家能源研究科學計算中心運行的計算機模擬。這項研究還使用了位于阿貢的實驗室計算資源中心和位于CNM的Carbon Cluster。

Sankaranarayanan說：“對于使用我們工具的研究人員而言，主要優勢不僅在于生成的令人印象深刻的3D圖像，而且更重要的是，詳細的表征數據。”“他們甚至可以在微觀上實時定量地觀察和跟蹤微觀結構的演變。”機器學習算法不限于實體。該團隊將其擴展到包括表征具有重要能量，化學和生物應用的流體中分子簇的分布。

這種機器學習工具對于從大型材料表征設施(例如高級光子源，阿貢大學另一家DOE科學用戶設施辦公室)以及全球其他同步加速器等獲得的數據的未來實時分析尤其有用。
（責任編輯：fqj）