深度学习系统从外部探索材料内部
一种新的方法可以仅基于外部条件的数据，提供有关内部结构、空洞和裂缝的详细信息
也许你无法从外表判断一本书的内涵，但是麻省理工学院的研究人员表示，现在你或许可以通过观察材料的表面特性等效地判断各种材料的内部结构，无论是飞机部件还是医疗植入物。
该团队使用了一种称为深度学习的机器学习方法，对一大批关于材料外部力场和相应内部结构的模拟数据进行比较，并利用这些数据生成了一个可以通过表面数据进行可靠预测的系统。
研究结果将在《先进材料》杂志上发表，文章的作者是博士生杨振泽和土木与环境工程教授Markus Buehler。
Buehler解释说：“这是工程领域中非常常见的问题。如果你有一块材料，比如汽车门或飞机的一部分，你想知道里面有什么，你可以通过拍照并计算表面变形量来测量材料表面上的应变，但你不能真正地看到材料的内部。唯一的方法是将其切开并查看其内部是否有任何损坏。”
他说，也可以使用X射线和其他技术，但这些技术往往很昂贵，需要笨重的设备。因此，“我们所做的就是提出一个问题：我们能否开发一个人工智能算法，通过观察表面上正在发生的事情（我们可以使用显微镜或拍照，或者测量材料表面上的事物），然后尝试弄清楚实际上发生了什么？”实际内部信息可能包括材料中的任何损伤、裂缝或应力，或者其内部微结构的详细信息。
他补充说，同样的问题也可以适用于生物组织。“里面是否有疾病、某种生长或组织变化？”他的目标是开发出一种完全非侵入性的系统来回答这些问题。
Buehler说，实现这个目标涉及到处理诸如“许多这样的问题有多个解决方案”这样的复杂性。例如，许多不同的内部配置可能展现出相同的表面特性。为了应对这种歧义，“我们创造了一些可以给我们所有可能性、所有选项的方法，基本上是可能导致这种特定[表面]情况的所有情况。”
他们开发的技术涉及使用大量关于表面测量和与之相关的内部属性的数据来训练AI模型。这不仅包括均匀材料，还包括不同材料的组合。“一些新飞机是由复合材料制成的，因此它们有故意设计的不同相位，”Buehler说。“当然，在生物学中，任何生物材料都将由多个组分组成，它们具有非常不同的性质，比如在骨骼中，你有非常柔软的蛋白质，然后你有非常坚硬的矿物质物质。”
他说，这种技术即使对于其复杂性尚不完全了解的材料也可以使用。“对于复杂的生物组织，我们不完全了解它的行为方式，但我们可以测量其行为。我们没有理论，但是如果我们收集了足够的数据，我们可以训练模型。”
杨说，他们开发的方法具有广泛的适用性。“它不仅仅局限于固体力学问题，还可以应用于不同的工程学科，比如流体动力学和其他类型。”Buehler补充说，它可以应用于确定各种属性，不仅仅是应力和应变，还包括流体场或磁场，例如聚变反应堆内部的磁场。它是“非常通用的，不仅适用于不同材料，也适用于不同学科。”
杨说，他最初开始思考这种方法时，他正在研究一种材料的数据，其中他使用的一部分图像是模糊的，他想知道如何“填补”缺失的模糊区域中的数据。他想知道如何“恢复这些缺失的信息”？他发现这是一个普遍存在的问题，称为反问题，即试图恢复丢失的信息。
开发该方法涉及到一个迭代过程，让模型进行初步预测，将其与所涉及材料的实际数据进行比较，然后进一步微调模型以匹配该信息。得到的模型经过测试，可以与已经理解得足够好以能够计算出真实内部属性的情况相匹配，新方法的预测结果也与那些已计算出的属性相匹配。
培训数据包括表面图像，以及各种表面特性的测量，包括应力，电场和磁场。在许多情况下，研究人员使用基于对给定材料基本结构的理解的模拟数据。即使新材料有许多未知特性，该方法仍然可以生成足以为工程师提供一般方向指导的近似值。
布勒指出，这种方法可以应用的例子是，今天，飞机通常通过使用昂贵的方法，如X射线测试代表性区域来进行检查，因为测试整个飞机是不可行的。布勒说：“这是一种不同的方法，您可以通过一种更便宜的方式收集数据并进行预测。”“从中，您可以做出决策，确定想要查看的位置，然后使用更昂贵的设备进行测试。”
首先，他期望这种方法，通过网站GitHub免费提供给任何人使用，主要应用于实验室环境，例如测试用于软机器人应用的材料。
对于这些材料，他说：“我们可以测量表面的东西，但是我们通常不知道材料内部正在发生什么，因为它是由水凝胶或蛋白质或致动器生物材料制成的，并且没有理论。” “因此，研究人员可以利用我们的技术对内部发生的事情进行预测，或许设计更好的夹持器或更好的复合材料。”他补充道。
该研究得到了美国陆军研究办公室，空军科学研究办公室，GoogleCloud平台和MIT智能探索的支持。
