一组研究人员首次成功预测了模拟多晶材料中的异常晶粒生长——这一进展可能导致为高应力环境（如燃烧引擎）创造更强、更可靠的材料。 一篇描述他们新颖机器学习方法的论文最近发表在《自然计算材料》上。
“通过模拟，我们不仅能够预测异常晶粒生长，而且能够在这种生长发生之前很久就进行预测，” 莱海大学计算机科学与工程副教授、该研究的共同作者布赖恩·陈说。“在我们观察到的86%的案例中，我们能够在材料生命周期的前20%内预测出特定的晶粒是否会变得异常。”
当金属和陶瓷暴露于持续的高温时——例如火箭或飞机引擎产生的温度——它们可能会失效。这些材料是由晶体或晶粒构成的，当加热时，原子可以移动，导致晶体的生长或收缩。当少数晶粒相对于其邻近晶粒异常地生长，导致的变化可能会改变材料的性质。例如，原本具有一定柔韧性的材料可能变得脆弱。
“在我们设计材料时，我们希望能够有意设计以避免异常晶粒生长，”陈说。
一种更智能的方法来识别稳定材料
然而，到目前为止，预测异常晶粒生长一直是一个大海捞针的问题。创造任何特定合金时，可能有无数的组合和浓度。这些金属必须经过测试，这既昂贵又耗时，通常是不切实际的。陈团队开发的计算模拟通过快速排除可能会发展异常晶粒生长的材料来帮助缩小可能性。
“我们的研究结果很重要，因为如果你想查看那堆不同材料的大海捞针，你不想在知道是否会发生异常晶粒生长之前对每种材料进行过长时间的模拟，”他说。“你希望尽可能少地模拟时间，然后继续进行。”
挑战在于，异常晶粒生长是一种稀有事件，而在早期，将要变得异常的晶粒看起来与其他晶粒没有不同。
利用人工智能解锁隐藏模式
为了解决这个问题，团队开发了一个深度学习模型，结合了两种技术来分析晶粒如何随时间演变和相互作用：长短期记忆（LSTM）网络模拟了材料的特性或特征将如何被评估，而基于图形的卷积网络（GCRN）建立了数据之间的关系，这些关系可以用于预测。
最初，研究人员只是希望能够成功进行预测。他们没有预料到能够如此早就进行预测。
“我们认为数据可能太嘈杂了，”他说。“也许我们所关注的特性不会揭示太多关于遥远未来异常的信息，或者异常可能只在正要发生时才显露出来，那时即使是肉眼也可能很明显。但我们惊讶的是，我们实际上能够提前这么远地进行预测。”
早期检测的关键是使用他们的模型检查晶粒在异常发生之前随时间演变的特征。
“更好的思考晶粒变得异常的方法是考虑它们在变化之前是如何演变的，”他说。“所以在异常发生的1000万步之前，例如，它们具有某些属性，这些属性可能与在4000万步时的属性不同。”
团队在晶粒变得异常的时候对每个模拟进行了对齐，并向后 examining其演变特性。通过识别这些特性的持续趋势，他们能够准确预测哪些晶粒会变得异常。
“如果你从晶粒过渡之前的时间来看，你可以看到有助于预测的共同趋势，”他说。
在这个项目中，陈和他的团队对现实材料进行了模拟。下一个阶段是将这种方法应用于真实材料的图像，看看他们是否仍能准确预测未来。陈说，最终目标是识别高度稳定的材料，这些材料能够在高温、高应力条件下保持其物理特性。这种材料可以让引擎和发动机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的机器学习方法在预测其他稀有事件方面的潜力，这得益于其识别复杂系统中警示信号的能力。例如，它可能有助于预测材料的相变、导致危险病原体的突变或大气条件的突然变化。
“这项工作为材料科学家打开了一种激动人心的新可能性，使他们能够‘展望未来’，以预测材料结构的未来演变，以前是完全不可能的，” 莱海大学阿尔科阿基金材料科学与工程名誉教授、纳米/人类接口总统研究计划主任及论文共同作者马丁·哈默说。“这将对可靠材料的设计产生重大影响，应用于国防、航空航天和商业领域。”
