用于重新思考电池的材料设计，更多

材料的微观结构和性质密切相关，并定制它们是一项挑战。米饭大学工程师正试图通过机器学习简化该过程。

为此，材料科学家的稻米实验室明唐，与劳伦斯利弗莫尔国家实验室的劳伦斯飞周合作，介绍了一种预测微观结构的演变 - 在10纳米和100微米的材料之间的结构特征的演变。

他们在Cell Press Journal中的开放式纸张图案显示了如何神经网络(模拟大脑神经元的计算机模型)可以训练自己预测结构在特定环境下如何生长，就像自然界的水分形成雪花一样。雪花状的树枝状晶体结构是实验室在概念验证研究中使用的例子之一。

“在现代材料科学中，人们普遍认为微观结构在控制材料性能方面发挥着关键作用，”唐说。“你不仅想要控制原子在晶格上的排列方式，还想要控制其微观结构，以提供良好的性能甚至新的功能。

“设计材料的圣杯是能够预测在给定条件下微观结构如何变化，我们是否加热或施加压力或其他类型的刺激，”他说。

Tang一直致力于细化微观结构预测，并表示传统的基于方程的方法在让科学家跟上对新材料的需求方面面临着重大挑战。

他说:“机器学习领域的巨大进步鼓励了劳伦斯利弗莫尔学院的费和我们，让我们看看能否将其应用到材料领域。”

幸运的是，传统方法中有大量的数据来帮助培训团队的神经网络，该网络的神经网络是观察微观结构的早期演变，以预测下一步，以及下一个步骤等。

“这正是机器所擅长的，以一种人类大脑无法做到的非常复杂的方式来观察相关性，”唐说。“我们利用了这一点。”

研究人员在四种不同类型的微观结构上测试了他们的神经网络：平面波传播，晶粒生长那亚稳相分离和枝晶生长。

在每个测试中，网络馈入在1,000到2,000组的20组连续图像之间，示出了由等式预测的材料的微观结构演变。从这些数据学习演进规则后，然后将网络从1到10个图像中给出以预测接下来的50到200帧，通常以秒为单位。

新技术的优势迅速清晰：由图形处理器提供动力的神经网络，与先前的算法相比，将计算增长高达718倍的谷物生长。在标准中央处理器上运行时，它们仍然比旧方法快87倍。其他类型的微观结构演进的预测显示出类似的，但不像剧烈的速度增加。

唐说，具有传统仿真方法的图像的比较证明了预测主要是在马克。“基于此，我们看到我们如何更新参数以使预测越来越准确，”他说。“那么我们可以使用这些预测来帮助我们之前没有看到的设计材料。

Tang说:“另一个好处是，即使我们不知道系统中所有物质的属性，它也能做出预测。”“我们无法用基于方程的方法做到这一点，这需要知道方程中的所有参数值来进行模拟。”

唐说，神经网络的计算效率可以加速新型材料的发展。他希望这将有助于他的实验室正在进行的更高效电池的设计。“我们正在考虑一种新颖的三维结构，它将帮助电池更快地充放电，”唐说。“这是一个优化问题，非常适合我们的新方法。”

- 由Chris Vavra，Web Content Manager编辑，控制工程，CFE媒体和技术，cvavra@cfemedia.com.。