在肉眼看来，不锈钢板呈现出光滑、抛光、均质的表面。同样的材料在 400 倍放大倍数下观察时会显示其真正的混乱结构——不同的晶体形状，以截然不同的角度连接。伊利诺伊大学厄巴纳-香槟分校的研究人员使用不锈钢样品的高分辨率图像数据来训练神经网络，该网络可以预测材料在应变时在晶体相遇的地方将如何表现。

John Lambros 解释说，在研究不锈钢等材料的特性时，不可能在如此高的放大倍数下进行单独的实验，使其受每个可能的参数(每个温度、每个加载角度、每个压力)的影响。所以我们经常依赖模型。

“我们没有使用具有大量拟合参数的极其详细和繁琐的物理模型，而是使用机器学习来训练神经网络来进行这些预测，”兰布罗斯说。“机器学习不需要对过程背后的所有物理进行详细建模，并在输入和输出之间建立一种直接系或拟合。

“这是该技术首次应用于了解在各种负载条件下金属微观结构中发生的情况，”兰布罗斯说。“在这种情况下，我们想看看在蠕变过程中多晶金属的晶界处积累了多少应变。” 他解释说，蠕变是固体材料在持续载荷下变形的趋势，就像一些书架最终在书籍的重量下弯曲一样。

兰布罗斯和他的研究生雷纳托·维埃拉 (Renato Vieira) 以一个假设开始了这项研究。

“我们相信边界附近的两个晶粒之间的物理差异会更重要，或者至少是一个同样重要的参数。因此，对我来说最显着的发现是一个单一的几何参数能够预测结果的 80%时间，”他说。“这是几何形状——你加载它的角度产生了最大的不同。我发现这出乎意料和有趣——不是它不应该影响结果，而是它显着地影响了结果。这很令人惊讶，因为这意味着我们为了解所有物理而进行的所有这些复杂的多尺度建模可能只有 20% 左右的重要性。”

兰布罗斯补充说，这是一项初步研究。“作为同类中的第一个，必须进行更深入的研究才能说这是普遍正确的。”

他指出，它在 70% 到 80% 的情况下都有效，但它无法预测所有边界的响应。“这意味着除了角度之外还有其他因素会影响正在发生的事情。只是这是最重要的一个，或者是第一顺序的一个。”

Lambros 说他希望最终将这项技术以及他们从中学到的东西融入现有的故障模型中。

“到目前为止，我们拥有的机器学习模型只能在晶界附近工作，”他说。“我们还不能预测颗粒内部会发生什么。所以，第一，我们需要一组不同的输入，它们也可以在内部起作用。我们通过实验获得它们，但我们需要开发不同的模型并填充缺口。

“最终，我们想要的是能够向算法展示微观结构的图像，算法会告诉我们材料何时何地会失效。但是，与其从头到尾做一个大型神经网络拟合，我们将在两者之间进行代表其背后物理的步骤，并且在每个步骤中，我们将利用机器学习来确定适当的输入和输出。”

该研究题为“多晶金属中晶界应变积累的机器学习神经网络预测”，由 Renato Vieira 和 John Lambros 撰写。它发表在《实验力学》上，并作为该期刊的封面出现。