在肉眼看来，不锈钢片呈现出光滑、抛光、均匀的表面。同样的材料，在400倍的放大倍数下可以看到其真正杂乱的结构——不同的晶体形状，以不同的角度连接在一起。伊利诺伊大学香槟分校(University of Illinois urbana - champae)的研究人员利用不锈钢样品的高分辨率图像数据训练神经网络，预测材料在晶体接触处的应变行为。
约翰·兰布罗斯解释说，当研究一种材料(如不锈钢)的特性时，不可能在如此高的放大倍数下进行单独的实验，使其受限于所有可以想到的参数——每个温度、每个加载角度、每个压强。所以我们经常依赖模型。
兰布罗斯说:“我们使用机器学习来训练神经网络来做出这些预测，而不是使用一个极其详细和繁琐的物理模型，包含许多拟合参数。”“机器学习无需对过程背后的所有物理现象进行详细建模，而是在输入和输出之间建立直接联系或拟合。
Lambros说:“这是这项技术第一次被应用于研究不同载荷条件下金属微观结构的变化。”“在这种情况下，我们想知道在蠕变过程中，多晶金属在晶界处积累了多少应变。”他解释说，蠕变是固体材料在持续荷载下变形的趋势，就像一些书架最终在书的重量下弯曲一样。
兰布罗斯和他的研究生雷纳托·维埃拉从一个假设开始了这项研究。
“我们认为，靠近边界的两个颗粒之间的物理差异更重要，或者至少是一个同等重要的参数。所以，对我来说最显著的发现是，一个单一的几何参数能够预测80%的结果。”他说。“这是几何形状——你装载它的角度，造成了最大的不同。我发现这出乎意料，也很有趣——不是说它不应该影响结果，而是它戏剧性地影响了结果。这令人惊讶，因为这意味着我们为理解所有物理现象所做的所有这些复杂的、多尺度的建模可能只有20%的重要性。”
兰布罗斯补充说，这只是一项初步研究。“这是第一次，必须有更多深入的研究，我们才能说这是普遍正确的。”
他指出，这种方法在70%到80%的情况下都有效，但它不能预测所有地方的所有边界的响应。“这意味着，除了角度以外，还有其他因素影响着正在发生的事情。只是这个是最重要的，或者说一阶的"
兰布罗斯说，他希望最终将这项技术以及他们从中学到的东西纳入现有的故障模型中。
“到目前为止，我们的机器学习模型只能在晶界附近工作，”他说。“我们还不能预测谷物内部会发生什么。首先，我们需要一组不同的输入，也可以在内部工作。我们已经在实验中得到了它们，但我们需要开发一个不同的模型来填补空白。
“最终，我们想要的是能够向算法展示微观结构的图像，算法将告诉我们材料何时何地会失效。但是，我们不是从头到尾地做一个大的神经网络，而是在中间做一些代表它背后的物理原理的步骤，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。”
雷纳托·维埃拉(Renato Vieira)和约翰·兰布罗斯(John Lambros)撰写了这项名为“多晶金属中晶界应变积累的机器学习神经网络预测”的研究报告。这篇文章发表在《实验力学》杂志上，也出现在本期杂志的封面上。
