几个世纪以来，工程师们一直依靠由牛顿和其他人开发的物理定律来了解他们所使用的材料上的应力和应变。但是求解这些方程可能是一个计算难题，尤其是对于复杂的材料。麻省理工学院的研究人员开发了一种技术，可以根据显示其内部结构的材料图像快速确定材料的某些特性，例如应力和应变。这种方法有朝一日可以消除繁重的基于物理的计算的需要，而不是依赖计算机视觉和机器学习来实时生成估计。

麻省理工学院的研究人员开发了一种机器学习技术，该技术使用材料内部结构的图像来估计作用在材料上的应力和应变。

研究人员表示，这一进步可以加快设计原型和材料检查。“这是一种全新的方法，”杨震泽说，并补充说该算法“无需任何物理领域知识即可完成整个过程。”

该研究发表在《科学进展》杂志上。杨是该论文的第一作者，也是材料科学与工程系的博士生。合著者包括前麻省理工学院博士后 Chi-Hua Yu 和 McAfee 工程学教授兼原子和分子力学实验室主任 Markus Buehler。

工程师花费大量时间求解方程。它们有助于揭示材料的内力，如应力和应变，这会导致材料变形或断裂。这样的计算可能会表明拟议中的桥梁在交通繁忙或大风的情况下如何保持稳定。与艾萨克爵士不同，今天的工程师不需要纸笔来完成任务。“许多代数学家和工程师都写下了这些方程，然后想出了如何在计算机上求解它们，”Buehler 说。“但这仍然是一个棘手的问题。它非常昂贵——运行一些模拟可能需要几天、几周甚至几个月的时间。所以，我们想：让我们教一个 AI 来为你解决这个问题。”

研究人员转向了一种称为生成对抗神经网络的机器学习技术。他们用数以千计的成对图像训练网络——一个描绘了材料在机械力作用下的内部微观结构，另一个描绘了相同材料的颜色编码应力和应变值。通过这些示例，网络使用博弈论原理来迭代地找出材料的几何形状与其产生的应力之间的关系。

“因此，从图片中，计算机能够预测所有这些力：变形、应力等，”Buehler 说。“这才是真正的突破——以传统方式，你需要对方程进行编码，然后让计算机求解偏微分方程。我们只是逐张图片。”

这种基于图像的方法对于复杂的复合材料尤其有利。材料上的力在原子尺度上的作用可能与在宏观尺度上不同。“如果你看一架飞机，你可能会发现它们之间有胶水、金属和聚合物。因此，您拥有所有这些不同的面孔和不同的尺度来确定解决方案，”Buehler 说。“如果你走艰难的路——牛顿的路——你必须走很远的路才能找到答案。”

但研究人员的网络擅长处理多个尺度。它通过一系列“卷积”来处理信息，这些“卷积”在越来越大的尺度上分析图像。“这就是为什么这些神经网络非常适合描述材料特性，”Buehler 说。

经过充分训练的网络在测试中表现良好，在给出一系列各种软复合材料微观结构的特写图像的情况下，成功地呈现了应力和应变值。该网络甚至能够捕捉“奇点”，例如材料中出现的裂缝。在这些情况下，力和场在很小的距离内迅速变化。“作为一名材料科学家，你会想知道该模型是否可以重现这些奇点，”Buehler 说。“答案是肯定的。”

没有参与这项研究的伦斯勒理工学院机械工程师 Suvranu De 表示，这一进步可以“显着减少设计产品所需的迭代次数”。“本文提出的端到端方法将对各种工程应用产生重大影响——从汽车和飞机工业中使用的复合材料到天然和工程生物材料。它还将在纯科学探究领域有重要应用，因为力在从微/纳米电子学到细胞迁移和分化的广泛应用中起着至关重要的作用。”

除了为工程师节省时间和金钱之外，新技术还可以让非专家获得最先进的材料计算。例如，建筑师或产品设计师可以在将项目传递给工程团队之前测试他们想法的可行性。Buehler 说：“他们可以绘制他们的提案并找出答案。” “这是一件大事。”

一旦经过训练，该网络几乎可以立即在消费级计算机处理器上运行。这可以让机械师和检查员通过拍照来诊断机械的潜在问题。

在这篇新论文中，研究人员主要研究复合材料，这些材料包括各种随机几何排列的软和脆成分。在未来的工作中，该团队计划使用更广泛的材料类型。“我真的认为这种方法会产生巨大的影响，”Buehler 说。“用 AI 为工程师赋能正是我们在这里尝试做的事情。”