麻省理工学院（MIT）的研究人员开发了一种机器学习技术，能利用材料的内部结构照片估计材料的应力和应变。@ MIT
几个世纪以来，工程师们一直借助由牛顿等人提出的物理定律来分析材料的应力和应变。但求解这些方程并不是特别容易，尤其是在分析复杂材料时。
MIT的研究人员开发了一种新技术。这项技术可以依据材料内部结构的照片快速确定材料的某些特性，如应力和应变。有朝一日，这种方法将代替复杂的数学计算，仅借助计算机视觉和机器学习就能实现实时估算材料特性。
研究人员认为，这一进步能加速原型（机）设计和材料检查（工作）。Zhenze Yang表示：“这是一种全新的方法，”并补充说，其算法“可以不借助任何物理知识就能完成整一个完整的过程”。
这项研究发表在2021年4月22日出版的《科学•进展》上。Yang是论文的第一作者，他正在MIT材料科学与工程系攻读博士学位。论文合著者包括前MIT博士后Chi-Hua Yu，以及McAfee工程教授、原子与分子力学实验室主任Markus Buehler。
视频截图。视频展示了深度学习怎么样从不同的几何输入中预测物理场。其中左半部分展示了复合材料变化的几何结构（较软的材料被拉伸），右半部分展示了预测得到的、与之对应的力学场。（：Zhenze Yang, Markus Buehler, et al）
工程师要消耗大量的时间解方程，并从中得出引起材料变形或破坏的内力，如应力和应变。类似的计算能够模拟桥梁在密集车流或大风天气中的受力状态。与当年的牛顿不同，如今的工程师不再需要笔和纸来完成这项任务。Buehler说：“经过数代发展，数学家和工程师们已经将这些方程交给计算机来求解。但问题并没有完全解决，因为求解成本很高——可能花费数天、数周甚至数月。所以我们想到：能不能让AI来做这件事。”
研究人员将目光投向一种名为“对抗神经网络”的机器学习技术。他们用数千张成对图像来训练这个网络，其中一幅展现了外力作用下材料的内部微结构，另一幅则展示了同一材料经过颜色编码的应力和应变值。利用这一训练集，对抗神经网络会借助博弈论原理反复计算材料的几何形状与对应的应力之间的关系。
Buehler说：“最终，计算机可以依据图像预测这些力：变形、应力等等。这确实是一个突破：传统方法需要将本构方程转换为计算机可以求解的偏微分方程后再求解；现在我们只需要上传图片。”
视频截图。视频展示了由无需求解力学方程的机器学习方法预测到的复合材料损伤。视频中，红色是较软的材料，白色是脆性材料，绿色则标记了损伤位置。（： Zhenze Yang, Markus Buehler, et al.）
这种基于图像（预测应力应变）的方法非常适合于复杂的复合材料。作用于材料上的力在原子尺度与宏观尺度可能是不同的。Buehler说：“比如一架飞机的组成，既有胶水、金属，也有介于两者之间的聚合物。因此，存在许多影响模拟结果的不同角度和跨度大的不同尺度。如果采用经典力学方法来求解，会走许多弯路。”
但这里的神经网络擅长处理多尺度问题。它通过一系列的“卷积”处理信息，从小（尺度）到大（尺度）地逐步分析图像。Buehler表示，“这就是神经网络适合模拟材料特性的原因。”
完成训练的神经网络在测试中表现良好。它依据输入的柔软复合材料的微结构图像，成功地模拟出了对应的应力和应变值。该网络甚至能够捕捉到奇点，如材料中出现的裂缝。在这些位置处，力和场在极小的距离上迅速变化。Buehler说：“材料学家非常关心一个模型能否模拟出这些奇点；对抗神经网络显然做到了。”
未参与上述研究、来自Rensselaer理工学院的机械工程师Suvranu De表示，“这一进展可以显著减少产品设计中的迭代次数。论文中提出的端到端方法将对各种工程应用产生重大影响，从汽车和飞机行业使用的复合材料到自然和工程生物材料。它还将在纯科学领域的探究中得到重大应用，因为力在从微/纳米电子到细胞迁移和分化等极广泛的领域间起着至关重要的作用。”
除了节省工程师的时间和金钱外，这项新技术还可以让非专业人士获得最先进的材料计算结果。例如，建筑师或产品设计师可以在将项目交给工程团队之前先行测试其想法的可行性。Buehler认为，“他们只需要勾勒出初步想法便能够获得验证，这是质的飞跃。”
一旦完成训练，该网络在消费级处理器上几乎也可以瞬间得到结果。如此，机械师和质检员只需拍照就能诊断出潜在的结构问题。
在新论文中，研究人员主要研究各种在几何上随机排布的、同时包含柔软和脆性组分的复合材料。未来，该团队计划研究更广泛的材料类型。Buehler谈到：“我确实认为这种方法将产生巨大影响，我们力图借助AI赋予工程师更大的能力。”
